AI가 새로운 과학혁명을 이끌고 있다

이 기사는 Lei Feng.com에서 복제되었습니다. 재인쇄가 필요한 경우 Lei Feng.com 공식 웹사이트로 이동하여 승인을 신청하세요.

1950년대 DNA가 발견된 이후 생물학자들은 유전자 서열의 길이를 현재 유명한 mRNA 백신을 구동하는 특정 항체를 포함하여 다양한 세포 구성 요소 및 단백질 합성 과정과 연결하려고 노력해 왔습니다. 전사 과정.

​DNA 발견 이후 게놈 서열 분석과 이해에 진전이 있었지만, 중요한 연결고리는 여전히 빠져 있습니다. 생물학자들에게는 DNA나 RNA 소스 서열만을 사용하여 알려지지 않은 단백질의 3차원 형태를 정확하고 효율적으로 예측하는 방법이 부족했습니다. 생물학에서는 구조가 기능을 결정합니다. 세포에서 단백질의 역할은 형태에 따라 다릅니다. 속이 빈 원통형 구조는 좋은 막 수용체의 형성을 촉진하고, U자형 효소는 피오르드형 공동에서 화학 반응을 촉매합니다. 단백질 구조를 예측하고 설계할 수 있다는 것은 인간 질병을 이해하는 데 큰 도약이 될 것이며 다양한 질병에 대한 새로운 치료법을 제시할 수 있을 것입니다.

그러나 70년 넘게 과학자들은 컴퓨터를 압도하는 느린 방법을 사용해 왔으며 대부분 자신의 추측에 의존하여 단백질의 구조를 알아내 왔습니다. 생물학자들은 모든 단백질을 구성하는 모든 아미노산에 대한 DNA 코드의 길이를 알고 있었지만 "단백질 접힘 문제"로 알려진 문제를 해결하기 위한 반복 가능하고 일반화 가능한 공식이 부족했습니다. 그들은 한 번 연결된 일련의 아미노산이 어떻게 3차원 형태로 접혀 광대한 단백질 우주를 풀어내는지 체계적으로 이해해야 합니다.

출처: DeepMind

2020년 Google의 인공 지능 팀 DeepMind는 알고리즘 AlphaFold가 단백질 접힘 문제를 해결했다고 발표했습니다.

처음에는 대부분의 사람들이 이 놀라운 혁신에 흥미를 느꼈고 과학자들은 이 새로운 도구를 테스트할 준비가 되어 있었고 이는 또한 관심을 불러일으켰습니다. 이 회사는 몇 년 전 알파고(AlphaGo)를 출시해 중국 전략 게임 바둑에서 세계 챔피언을 물리친 회사가 아닌가? 체스보다 복잡한 게임을 마스터하는 것은 어렵지만 단백질 접힘 문제에 비하면 하찮게 느껴집니다.

하지만 AlphaFold는 생물학자들로 구성된 팀이 오로지 유전자 서열만을 토대로 단백질의 구조를 추측하는 연례 대회를 통해 과학적 능력을 입증했습니다. 이 알고리즘은 1옹스트롬(단일 원자의 폭) 내에서 최종 모양을 예측하는 점수를 게시하여 인간 경쟁자보다 훨씬 뛰어났습니다. 얼마 지나지 않아 AlphaFold는 첫 번째 실제 테스트를 통과하여 백신을 표적으로 삼는 바이러스의 명백한 막 수용체인 SARS-CoV-2 "스파이크" 단백질의 모양을 정확하게 예측했습니다.

출처: "Nature"

AlphaFold의 성공은 곧 무시할 수 없게 되었고 과학자들은 실험실에서 알고리즘을 시험하기 시작했습니다. 2021년 Science 매거진은 AlphaFold의 오픈소스 버전을 "올해의 최고의 방법"으로 선정했습니다. "단백질 접힘의 획기적인 발전은 과학적 성취와 미래 연구 측면에서 가장 위대한 것 중 하나입니다."라고 생화학자이자 과학 편집장인 H. Holden Thorp는

오늘 AlphaFold의 예측이 매우 정확했으며, 70년 이상의 고민 끝에 단백질 접힘 문제가 해결된 것으로 여겨졌습니다. 단백질 접힘 문제는 현재까지 과학 분야에서 AI가 달성한 가장 주목할만한 성과일 수 있지만, AI는 많은 과학 분야에서 조용히 새로운 발견을 만들어내고 있습니다.

AI는 발견 프로세스를 가속화하고 과학자에게 새로운 조사 도구를 제공함으로써 과학 연구가 수행되는 방식도 변화시키고 있습니다.

이 기술은 현미경, 게놈 시퀀서 등의 연구 기반을 업그레이드하여 장비에 새로운 기술 기능을 추가하고 더욱 강력하게 만듭니다. AI 기반 약물 설계 및 중력파 검출기는 과학자들에게 자연 세계를 조사하고 제어할 수 있는 새로운 도구를 제공합니다.

AI는 실험실 외에도 고급 시뮬레이션 및 추론 시스템을 배포하여 실제 모델을 개발하고 이를 사용하여 가설을 테스트할 수도 있습니다. 과학적 방법의 광범위한 영향으로 AI는 획기적인 발견, 새로운 기술, 향상된 도구는 물론 과학적 프로세스의 속도와 정확성을 높이는 자동화된 방법을 통해 과학 혁명을 촉발하고 있습니다.

출처: AI-Assisted Super-Resolution 우주론 시뮬레이션

단백질 접힘 문제 외에도 우주론과 화학에서 반도체 설계 및 재료 과학에 이르기까지 다양한 분야의 AI 발견이 시연됩니다. 과학적 가치.

예를 들어, DeepMind 팀은 과학자들이 60년 동안 의존해 온 지름길 방법을 깨고 분자의 전자 밀도를 계산하는 또 다른 알고리즘을 설계했습니다. 특정 분자의 전자 밀도를 아는 것은 물질의 물리적, 화학적 특성을 이해하는 데 큰 도움이 됩니다. 그러나 전자는 양자역학의 지배를 받기 때문에 특정 전자의 밀도를 계산하려면 계산상의 악몽으로 빠르게 변하는 복잡한 방정식이 필요합니다. 대신 과학자들은 물질 내 전자의 평균 밀도를 가이드로 사용하여 어려운 양자 계산을 회피했습니다. 그러나 DeepMind의 알고리즘은 문제의 양자 측면을 직접적으로 다루며 간단한 방법보다 더 정확한 것으로 나타났습니다.

단백질 접힘 문제와 마찬가지로 AI는 과학자들이 수십 년 동안 사용해 온 방법을 능가하고 물리적, 화학적 특성을 정확하게 예측하는 새로운 방법을 열어줍니다.

AI가 과학에 미치는 영향은 네 가지 주요 방식으로 기술의 새로운 발견을 넘어 확장됩니다.

먼저 AI는 과학 문헌을 빠르게 읽어 과학의 기본 규칙, 사실, 방정식을 이해할 수 있고, 과학자들이 다양한 분야에 넘쳐나는 수많은 논문과 데이터를 관리하는 데 도움을 줍니다. 2020년에만 코로나19에 관한 과학 저널 기사가 100,000~180,000개 출판되었습니다.

연구원들이 현재 진행 중인 글로벌 유행병만큼 긴급한 것에 집중하는 것이 합리적이지만, 코로나19에 관한 논문은 최대 규모의 생물의학 데이터베이스에서 전체 논문의 약 4~6%만을 차지합니다. 그로 인해 발생하는 수많은 논문과 데이터는 어떤 과학자도 읽을 수 없는 수준이므로 연구자들은 해당 분야의 혁신 속도를 실제로 따라잡을 수 없습니다.

여기서 AI가 등장합니다.

예를 들어, 의약화학 분야에서 Insilico는 특발성 폐섬유증(IPF)이라는 질병을 치료하기 위해 AI가 전적으로 설계한 약물의 1단계 임상 시험에 진입하고 있습니다. Insilico의 알고리즘은 의학 문헌을 읽고 잠재적인 단백질, 세포 또는 병원체를 찾아 정확하게 찾아냄으로써 질병 대상을 선택합니다. 목표가 선택되면 알고리즘은 질병을 치료하기 위한 치료법을 설계할 수 있습니다. Insilico는 과학자들이 당황하지 않고 최신 정보를 계속 얻을 수 있도록 현장의 최신 결과와 데이터를 자동으로 유지하는 신약 발견을 위한 엔드투엔드 AI 플랫폼을 개발했습니다.

출처: 미국 아르곤 국립 연구소의 리더십 컴퓨팅 시설, 시각화 및 데이터 분석 그룹에서 제공한 사진

둘째, 장비가 더욱 정교해지고 자연의 신비를 탐구함에 따라 점차 심화되면서 과학자들은 엄청난 양의 데이터를 처리해야 합니다. AI도 이런 측면에서 역할을 할 수 있다.

아르곤 국립 연구소(ANL)의 과학자 팀은 중력파, 아인슈타인이 예측한 시공간 연속체 구조의 잔물결을 이해할 수 있는 알고리즘을 개발했지만 몇 년 전인 2015년이 발견되었습니다. 이 알고리즘은 한 달 분량의 데이터를 7분 만에 처리하여 중력파를 감지하는 가속화되고 확장 가능하며 반복 가능한 방법을 제공합니다. 또한 이 알고리즘은 표준 GPU(그래픽 처리 장치)에서도 실행되므로 연구자가 중력파 데이터를 수집하고 해석하기 위해 특수 장비를 사용할 필요가 없습니다.

ANL의 데이터 과학 및 학습(DSL) 책임자인 Ian Foster는 다음과 같이 말했습니다. “올바른 도구를 사용하면 AI 방법이 과학자의 작업 흐름에 어떻게 자연스럽게 통합될 수 있는지 보여주는 이 프로젝트가 정말 기대됩니다. 인간의 지능을 대체하는 것이 아니라 증강하면서 일을 더 빠르고 효과적으로 처리할 수 있습니다. “AI를 사용하면 한때 엄청난 양의 데이터였던 것이 이제는 과학 발전의 속도를 가속화하는 통제된 정보 흐름이 되었습니다.

셋째, AI는 연구실의 오랜 주류인 현미경과 DNA 시퀀서 중 일부를 조용히 업그레이드해 왔습니다.

ANL에서 연구원들은 전자현미경이 시료에 대해 검색할 수 있는 정보의 양을 늘리는 동시에 기기의 분해능과 감도를 높이는 방법을 발견했습니다. 많은 사람들이 고등학교나 대학교 생물학 수업을 통해 익히 알고 있는 현미경과 달리 전자현미경은 이미지를 구성하기 위해 가시광선에 의존하지 않습니다. 대신 이름에서 알 수 있듯이 전자를 사용하므로 다른 현미경보다 더 높은 해상도와 더 미세한 구성으로 이미지를 촬영할 수 있습니다.

ANL의 연구원들은 AI를 사용하여 전자 현미경에 위상 데이터를 기록하는 방법을 설계했습니다. 이는 샘플의 물리적, 화학적 특성에 대한 중요한 정보를 제공하여 기기의 성능과 용량을 높일 수 있습니다.

이와 마찬가지로 AI의 또 다른 업그레이드 기능은 움직이는 고화질 3D 이미지를 캡처할 수 있는 소위 명시야 현미경(light field microscopy)에서 찾을 수 있습니다. 일반적으로 과학자들이 비디오를 재구성하는 데 며칠이 걸리지만, AI를 사용하면 해상도나 디테일을 잃지 않고 이러한 움직임의 고해상도 데이터를 처리하는 데 필요한 시간이 몇 초로 단축됩니다.

DNA 시퀀서는 게놈 시대의 일꾼이며 AI에 의해 향상되었습니다. 올해 초 과학자 팀은 AI를 사용하여 DNA 서열 분석에 소요되는 시간을 절반으로 줄였으며 곧 다시 절반으로 줄일 수 있기를 희망합니다. 간단히 말해서, 인공지능은 가장 기본적인 과학 도구를 업그레이드하고 있습니다. ㅋㅋㅋ

지난해 연구자들은 물리학, 천문학, 지질학, 기후과학 등 10개 과학 분야에서 획기적인 시뮬레이션 실험을 구축하여 AI의 다학문적 역량을 입증했습니다.

10개의 시뮬레이터는 모두 DENSE라는 동일한 심층 신경망으로 훈련됩니다. 다른 방법에 비해 정확도를 유지하면서 시뮬레이션 속도가 최대 10억 배 향상됩니다.

결정적으로, 시뮬레이터는 연구원이 결과를 알고 있지만 어떤 변수가 결과를 초래하는지 알아내려는 "역 문제"를 해결하는 데 사용될 수 있습니다. AI는 이런 계산에 능숙해 특정 답에 대한 경로를 쉽게 알아낼 수 있다.

시뮬레이션도 유용하지만 연구자들은 자신의 모델이 실제 세계에서 작동하는지 확인하고 싶어합니다. 두 선도적인 기술 기업인 Google과 Samsung은 최근 일부 칩의 레이아웃을 계획하기 위해 AI를 활용했습니다.

Google은 AI가 설계한 칩이 "전력 소비, 성능, 칩 면적을 포함한 모든 주요 지표에서 인간이 생산한 칩보다 성능이 뛰어나거나 비슷하다"고 결론지었습니다. 한 단계 더 나아가 회사는 AI를 사용해 차세대 AI 가속기를 설계하고 있습니다(TPU는 표준 CPU나 GPU가 아닌 AI가 만든 칩입니다).

마찬가지로 삼성은 AI 칩 설계 소프트웨어를 활용해 웨어러블 제품과 자동차에 사용되는 칩인 엑시노스를 만들었습니다. AI는 충실도가 높은 시뮬레이션을 통해 과학자들에게 자연계를 모델링하고 실험하는 방식을 혁신하는 강력한 도구를 제공합니다.

출처: AI는 코로나19 환자의 신속한 진단을 지원합니다.

AI의 모델링 능력에 대해 코로나19 팬데믹보다 더 나은 실제 테스트는 없습니다.

첫째, 단백질 접힘 알고리즘 AlphaFold는 중요한 "스파이크" 단백질을 정확하게 예측하여 AI가 미래의 전염병에서 백신이나 치료법 개발을 어떻게 가속화할 수 있는지 보여줍니다. 그러나 더욱 인상적인 것은 2020년 여름 일본 과학자들이 세계에서 가장 강력한 슈퍼컴퓨터인 Fugaku를 사용하여 코로나19의 공중 확산을 시뮬레이션했다는 것입니다.

심층 신경망과 수천 개의 GPU를 기반으로 하는 Fugaku는 바이러스가 공중에 존재한다는 결정적인 증거를 세계에 제공했으며 이에 따라 WHO가 그에 따라 코로나19 통제 지침(예: 마스크, 환기, 실내 및 실외의 위험)을 변경하도록 설득했습니다. 야외 활동). 현실 세계에서 AI는 위기 상황에서 글로벌 완화 전략을 알려줌으로써 그 가치를 입증하고 있습니다.

새로운 발견을 하고 과학 무기고에 새로운 도구를 추가하는 것 외에도 AI는 데이터에서 패턴을 발견하고, 테스트 가능한 예측을 하고, 이를 사용하여 과학적 방법을 반영하는 새로운 증거를 모델에 통합할 수 있습니다.

철학자 칼 포퍼(Karl Popper)는 실험을 통해 검증할 수 있고 틀렸다고 입증될 수 있는 반증 가능한 가설을 버리고, 이론과 실험을 통해 이를 제거하는 과정이 과학적 방법의 특징을 버림으로써 과학이 발전한다는 생각을 대중화했습니다.

AI의 최근 혁신 중 일부에서 알 수 있듯이 이 기술은 실험적으로 테스트할 수 있는 가설을 생성하여 제거 과정을 통해 엄격하고 위조 가능한 답변을 제공합니다.

DeepMind의 전자 밀도 모델은 과학적 프로세스를 근사화하고 양자 컴퓨팅이 더 잘 숙달될 때까지 예측과 실험 사이의 피드백을 반복함으로써 연구원들을 능가합니다.

AI는 실험적으로 결정된 수천 개의 단백질에 대한 모델을 테스트하고, 추측을 정제하고, 솔루션에 더 가까운 가지에 더 높은 가중치를 부여하여 신경망을 가지치기하여 단백질 접힘 문제를 해결합니다. 연구자들이 AlphaFold의 오픈 소스 버전을 구축한 후, 다른 과학자들은 이 모델을 사용하여 RNA 구조가 접히고 단백질이 서로 결합하는 방식에 대한 미스터리를 풀 수 있습니다.

출처: Independent SE(3) end-to-end hard 도킹의 등변 모델

전반적으로 단백질 결합을 이해하면 강력한 신약 개발의 문이 열리게 됩니다. 단백질이 함께 작용한 결과입니다. 이 두 가지 발전은 엔드 투 엔드 AI 파이프라인을 활용하여 질병의 위치를 ​​파악하고 정확한 치료법을 설계하는 새로운 치료법 설계 시대를 열었습니다.

예를 들어 Huawei 인공 지능 연구소의 연구팀은 이 모델 버전을 사용하여 표적 감염에 대한 항체를 자동으로 생성했습니다. 약물 설계부터 단백질 결합까지 자연계를 모델링, 분석, 제어하는 ​​AI의 능력은 계속해서 향상될 것입니다.

DeepMind의 최신 혁신은 핵융합 반응을 제어하고 유지하는 문제에 AI를 적용하는 것입니다. AI는 수소와 헬륨의 융합 반응을 성공적으로 제어해 우주의 모든 별에 기록적인 에너지를 공급하고 플라즈마를 안정화하는 새로운 형태를 발견했습니다. 이 실험은 전 세계에 전력을 공급할 만큼 충분한 재생 에너지를 제공할 수 있는 실행 가능한 핵융합 에너지를 개발하기 위한 중요한 단계입니다.

이 사례는 과학에서 AI의 가장 유망한 적용을 강조합니다. AI는 우리가 볼 수 없는 패턴을 보고 서로 다르지만 보완적인 관점에서 환경을 분석합니다. 연구원들과 협력하고 과학적 방법을 기반으로 하는 AI는 과학적 프로세스를 뒷받침하는 반복 이론과 실험을 사용하여 동일한 탐구 질문을 해결할 수 있습니다.

과학은 미지의 세계를 탐험하는 것이라고 가장 잘 설명할 수 있습니다. AI는 이 여정의 파트너로서 자연 세계와 그 미지의 부분을 우리와 다르게 인식하여 세상의 힘을 이해하고 활용할 수 있는 새로운 방법을 열어줍니다.

소니 연구 이사 키타노 히로아키가 설명했듯이, 과학적 발견은 AI가 시뮬레이션할 수 있는 가설, 실험, 데이터의 자체 수정 시스템을 기반으로 하는 '검색' 문제입니다. 그러나 AI는 검색 과정에서 과학자와 파트너가 사용할 수 있는 강력한 도구 그 이상입니다. 이 기술은 또한 과학적 프로세스를 변화시켜 사람들이 이를 사용하여 수행할 수 있는 작업을 자동화하고 증가시키고 있습니다. 인공지능은 다양한 분야에서 획기적인 발전을 이루며 과학 연구의 새로운 길을 열며 과학 혁신의 속도를 가속화하면서 새로운 과학 혁명을 선도하고 있습니다. 파트너로서 AI는 과학자들과 협력하여 더 끝없는 과학적 영역을 탐구할 것입니다.

위 내용은 AI가 새로운 과학혁명을 이끌고 있다의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!