شتاب‌دهی کشفیات علمی با هوش مصنوعی

آناندکومار بیش از یک دهه است که در مرزهای پژوهش دانشگاهی و صنعتی فعالیت می‌کند و الگوریتم‌های نوینی از هوش مصنوعی را پیش برده است که می‌توانند سامانه‌های فیزیکی را با سرعت و دقتی بی‌سابقه شبیه‌سازی کنند؛ در برخی موارد، بیش از یک میلیون بار سریع‌تر از روش‌های سنتی. پژوهش‌های او با توانمندسازی هوش مصنوعی برای مدل‌سازی این سامانه‌ها، موجب پیشرفت‌هایی در حوزه‌های مختلف علم و مهندسی شده است؛ از پیش‌بینی آب‌وهوا با دقت بالا گرفته تا طراحی دستگاه‌های پزشکی نوآورانه.

گزارش حاضر در «ویژه‌نامه ۲۰۲۵ هوش مصنوعی مجله تایم» منتشر و در «رسانه تخصصی هوش مصنوعی هوشیو» به زبان فارسی نیز ترجمه شده و در دسترس مخاطبان این حوزه قرار گرفته است.

او می‌گوید: «چیزی که برایم جذاب است، این است که چطور می‌شود فاصله بین نظریه و عمل را پر کرد، چون زمانی شروع کردم که هنوز یادگیری عمیق وجود نداشت و باید از روش‌های طراحی مبتنی بر اصول اولیه شروع می‌کردی.»

آناندکومار توضیح می‌دهد که رویکردش در طراحی الگوریتم‌ها بر پایه اصول بنیادی ریاضی و فیزیک است. او استاد کرسی «برن» (Bren) علوم محاسباتی و ریاضی دانشگاه کلتک (Caltech) است و آزمایشگاه Anima AI + Science  را در این دانشگاه مدیریت می‌کند. او پیش‌تر به‌عنوان دانشمند ارشد درAmazon Web Services  فعالیت داشته و راه‌حل‌های مبتنی بر یادگیری ماشین را برای سرویس ابری آمازون طراحی کرده است و همچنین مدیر ارشد پژوهش هوش مصنوعی در شرکت Nvidia نیز بوده است. آناندکومار تأکید می‌کند تمرکزش همواره بر آن بوده که الگوریتم‌ها را «اصولی‌تر، کارآمدتر از نظر سخت‌افزاری و مقاوم‌تر» کند.

با استفاده از همین رویکرد مبتنی بر اصول اولیه، آناندکومار و همکارانش مفهوم «عملگرهای عصبی» (Neural Operators) را توسعه دادند؛ نوعی چارچوب جهانی برای هوش مصنوعی که می‌تواند فرایندهای فیزیکی را در مقیاس‌های گوناگون از برهم‌کنش‌های مولکولی گرفته تا الگوهای اقلیمی شبیه‌سازی کند. برخلاف مدل‌های زبانی بزرگی مانند ChatGPT، مدل‌های هوش مصنوعی ساخته‌شده با این چارچوب می‌توانند قوانین فیزیک را در خود بگنجانند تا میزان واقع‌گرایی پیش‌بینی‌هایشان را بیازمایند. همچنین بر خلاف روش‌های سنتی شبیه‌سازی فیزیکی که به منابع محاسباتی عظیم نیاز دارند تا میلیون‌ها محاسبه جدید برای هر پیش‌بینی انجام دهند، این مدل‌ها قادرند میان‌برهایی را از داده‌هایی که روی آن‌ها آموزش‌دیده‌اند، یاد بگیرند. آناندکومار توضیح می‌دهد: «این کار به مدل اجازه می‌دهد فرایندها را با دقتی برابر یا حتی بیشتر از روش‌های مبتنی بر محاسبه خام، اما با سرعتی بسیار بالاتر شبیه‌سازی کند». مدل‌هایی که به این شیوه طراحی می‌شوند، قدرت بالایی دارند چون «انعطاف لازم برای یادگیری پدیده‌های پیوسته زیرین و پنهان‌شده را دارند.»

در سال ۲۰۲۲، آناندکومار با همکاری تیمی میان‌رشته‌ای از Nvidia ،Caltech و چند نهاد دانشگاهی دیگر، یک مدل آب‌وهوایی متن‌باز کاملاً مبتنی بر هوش مصنوعی به نام FourCastNet را با استفاده از عملگرهای عصبی ساخت. این مدل ده‌ها هزار بار سریع‌تر از بهترین مدل‌های پیش‌بینی عددی هواشناسی بود و در بسیاری از موارد دقت بیشتری نیز داشت. در کمتر از دو ثانیه، این مدل می‌تواند پیش‌بینی هفت‌روزه‌ای از متغیرهایی مانند سرعت باد و بارش تولید کند؛ چیزی که پیش‌تر به یک ابررایانه و چند ساعت زمان نیاز داشت، اکنون با سخت‌افزار بسیار کمتر انجام می‌شود.

این مدل از طریق مرکز اروپایی پیش‌بینی‌های میان‌مدت آب‌وهوا (ECMWF) به‌صورت آنلاین در دسترس است و با وجود تردید اولیه در جامعه مدل‌سازی اقلیمی، الهام‌بخش پذیرش مدل‌های مشابه در سراسر جهان شده است. آناندکومار می‌گوید: «این مدل همین حالا هم در پیش‌بینی‌های مربوط به شرایط جوی شدید مفید واقع شده» و به توانایی مدل در پیش‌بینی دقیق مسیر طوفان بریل در ژوئن ۲۰۲۴، پیش از روش‌های متداول، اشاره می‌کند.

در حوزه‌های دیگر، دستاوردها حتی چشمگیرتر بوده‌اند. در سال ۲۰۲۴، تیم آناندکومار با آژانس انرژی اتمی بریتانیا (UKAEA) همکاری کرد تا رفتار پلاسما در رآکتورهای همجوشی هسته‌ای را بیش از یک میلیون برابر سریع‌تر از روش‌های قبلی شبیه‌سازی کند. این سرعت به دانشمندان اجازه می‌دهد تا رخدادهای خطرناک اختلال پلاسما، یعنی زمانی که پلاسما بیش از حد داغ ناپایدار می‌شود و ممکن است به رآکتور آسیب بزند را پیش‌بینی و پیش از وقوع، از آن جلوگیری کنند.

عملگرهای عصبی آناندکومار نه‌تنها در پیش‌بینی، بلکه در طراحی نیز مؤثر بوده‌اند. رایج‌ترین نوع عفونت مرتبط با مراقبت‌های بهداشتی در ایالات متحده، عفونت‌های مجاری ادراری بر اثر استفاده از کاتتر (Catheter) است که سالانه بیش از یک میلیون آمریکایی را درگیر می‌کنند. در سال ۲۰۲۳، او و تیمی از پژوهشگران Caltech با استفاده از هوش مصنوعی خود، نمونه‌ای از کاتتر طراحی کردند که آلودگی باکتریایی را تا صد برابر کاهش داد. آن‌ها رویکردی نوآورانه به کار گرفتند: مدل، جریان مایع را شبیه‌سازی کرد تا نقاطی را درون لوله بیابد که می‌توان در آن‌ها شیارهای میکروسکوپی ایجاد کرد و از حرکت باکتری‌ها به سمت بدن بیمار جلوگیری کرد. چارچوب هوش مصنوعی زیربنایی این مدل قادر است امکان‌پذیری انواع طرح‌ها را بیازماید؛ از پهپادها گرفته تا داروهای ضدسرطان.

پژوهش‌های آناندکومار مسیری روشن به‌سوی آینده‌ای می‌گشاید که در آن هوش مصنوعی و علم یکدیگر را تقویت می‌کنند؛ جایی که دانش علمی عمیقاً با درک هوش مصنوعی از جهان فیزیکی درهم‌آمیخته است و توانایی‌های آن را افزایش می‌دهد و درعین‌حال، سیستم‌های هوش مصنوعی می‌توانند ایده‌های جدید تولید و آزمایش کنند. او می‌گوید: «بسیاری از آزمایشگاه‌ها، از جمله ما، در حال حرکت به‌سوی همین هدف هستند. همین حالا هم کشفیات بسیاری در حال وقوع است.»