Stellen Sie sich vor, Sie nutzen künstliche Intelligenz, um zwei scheinbar nicht miteinander verbundene Schöpfungen zu vergleichen – biologisches Gewebe und Beethovens „Symphonie Nr. 9“. Auf den ersten Blick scheinen ein lebendes System und ein musikalisches Meisterwerk keinen Zusammenhang zu haben. Eine neuartige KI-Methode, die von Markus J. Buehler, McAfee-Professor für Ingenieurwissenschaften und Professor für Bau- und Umweltingenieurwesen sowie Maschinenbau am MIT, entwickelt wurde, schließt diese Lücke und deckt gemeinsame Muster von Komplexität und Ordnung auf.
„Durch die Kombination generativer KI mit graphbasierten Rechenwerkzeugen bringt dieser Ansatz völlig neue Ideen, Konzepte und Designs zum Vorschein, die bisher undenkbar waren. Wir können wissenschaftliche Entdeckungen beschleunigen, indem wir generativer KI beibringen, neuartige Vorhersagen über noch nie dagewesene Ideen, Konzepte und Designs zu treffen“, sagt Buehler.
Die Open-Entry-Forschung, kürzlich veröffentlicht in Maschinelles Lernen: Wissenschaft und Technologiedemonstriert eine fortschrittliche KI-Methode, die generative Wissensextraktion, graphbasierte Darstellung und multimodales intelligentes Graph-Argumentation integriert.
Die Arbeit verwendet Graphen, die mit Methoden entwickelt wurden, die von der Kategorientheorie inspiriert sind, als zentralen Mechanismus, um dem Modell beizubringen, symbolische Beziehungen in der Wissenschaft zu verstehen. Die Kategorientheorie, ein Zweig der Mathematik, der sich mit abstrakten Strukturen und Beziehungen zwischen ihnen befasst, bietet einen Rahmen für das Verständnis und die Vereinheitlichung verschiedener Systeme, indem sie sich auf Objekte und ihre Interaktionen und nicht auf deren spezifischen Inhalt konzentriert. In der Kategorientheorie werden Systeme anhand von Objekten (die alles sein können, von Zahlen bis hin zu abstrakteren Einheiten wie Strukturen oder Prozessen) und Morphismen (Pfeile oder Funktionen, die die Beziehungen zwischen diesen Objekten definieren) betrachtet. Mit diesem Ansatz konnte Buehler dem KI-Modell beibringen, systematisch über komplexe wissenschaftliche Konzepte und Verhaltensweisen nachzudenken. Die durch Morphismen eingeführten symbolischen Beziehungen machen deutlich, dass die KI nicht einfach nur Analogien zieht, sondern tiefergehende Überlegungen anstellt, die abstrakte Strukturen über verschiedene Bereiche hinweg abbilden.
Buehler nutzte diese neue Methode, um eine Sammlung von 1.000 wissenschaftlichen Arbeiten über biologische Materialien zu analysieren und sie in eine Wissenslandkarte in Type eines Diagramms umzuwandeln. Die Grafik zeigte, wie verschiedene Informationen miteinander verbunden sind, und konnte Gruppen verwandter Ideen und Schlüsselpunkte finden, die viele Konzepte miteinander verbinden.
„Was wirklich interessant ist, ist, dass der Graph einer skalenfreien Natur folgt, hochgradig vernetzt ist und effektiv für die Argumentation von Graphen verwendet werden kann“, sagt Buehler. „Mit anderen Worten: Wir bringen KI-Systemen bei, über graphenbasierte Daten nachzudenken, um ihnen dabei zu helfen, bessere Weltdarstellungsmodelle zu erstellen und die Fähigkeit zu verbessern, neue Ideen zu denken und zu erforschen, um Entdeckungen zu ermöglichen.“
Forscher können dieses Framework verwenden, um komplexe Fragen zu beantworten, Lücken im aktuellen Wissen zu finden, neue Designs für Materialien vorzuschlagen, vorherzusagen, wie sich Materialien verhalten könnten, und Konzepte zu verknüpfen, die noch nie zuvor miteinander verbunden waren.
Das KI-Modell fand unerwartete Ähnlichkeiten zwischen biologischen Materialien und „Symphonie Nr. 9“, was darauf hindeutet, dass beide Mustern der Komplexität folgen. „Ähnlich wie Zellen in biologischen Materialien auf komplexe, aber organisierte Weise interagieren, um eine Funktion zu erfüllen, arrangiert Beethovens 9. Symphonie Noten und Themen, um ein komplexes, aber kohärentes Musikerlebnis zu schaffen“, sagt Buehler.
In einem anderen Experiment empfahl das graphbasierte KI-Modell die Erstellung eines neuen biologischen Supplies, das von den abstrakten Mustern in Wassily Kandinskys Gemälde „Komposition VII“ inspiriert struggle. Die KI schlug ein neues Verbundmaterial auf Myzelbasis vor. „Das Ergebnis dieses Supplies vereint eine Reihe innovativer Konzepte, die ein Gleichgewicht aus Chaos und Ordnung, anpassbaren Eigenschaften, Porosität, mechanischer Festigkeit und komplex strukturierter chemischer Funktionalität umfassen“, bemerkt Buehler. Indem sie sich von einem abstrakten Gemälde inspirieren ließ, schuf die KI ein Materials, das sturdy und funktional ist und gleichzeitig anpassungsfähig und in der Lage ist, verschiedene Rollen zu übernehmen. Die Anwendung könnte zur Entwicklung innovativer nachhaltiger Baumaterialien, biologisch abbaubarer Alternativen zu Kunststoffen, tragbarer Technologie und sogar biomedizinischer Geräte führen.
Mit diesem fortschrittlichen KI-Modell können Wissenschaftler Erkenntnisse aus Musik, Kunst und Technologie gewinnen, um Daten aus diesen Bereichen zu analysieren und verborgene Muster zu identifizieren, die eine Welt innovativer Möglichkeiten für Materialdesign, Forschung und sogar Musik oder visuelle Kunst eröffnen könnten.
„Graphenbasierte generative KI erreicht einen weitaus höheren Grad an Neuheit, erkundet Kapazitäten und technische Particulars als herkömmliche Ansätze und schafft einen weithin nützlichen Rahmen für Innovationen, indem sie verborgene Zusammenhänge aufdeckt“, sagt Buehler. „Diese Studie leistet nicht nur einen Beitrag zum Bereich bioinspirierter Materialien und Mechanik, sondern schafft auch die Voraussetzungen für eine Zukunft, in der interdisziplinäre Forschung auf Foundation von KI und Wissensgraphen zu einem Werkzeug wissenschaftlicher und philosophischer Forschung werden kann, während wir uns auf andere zukünftige Arbeiten konzentrieren.“ .“