Новосибирск и Новосибирская область: свежие новости, объективный анализ, актуальные комментарии

Искусственный интеллект в сибирской науке: где он применяется и как его развивать дальше?

Научный сотрудник Института цитологии и генетики СО РАН Фёдор Казанцев совершенствует модель, прогнозирующую новые полезные свойства бактерий.

Научный прогресс не остановить — всё чаще героем новостей становится искусственный интеллект. Учёным он помогает делать научные открытия, для людей творческих профессий становится креативным соавтором, третьи пока видят в нём только «развлекаловку», с которой можно пообщаться в телефоне «по приколу». Но что будет дальше, не за горами ли то время, когда искусственный интеллект сам начнёт изучать интеллект своих создателей и попытается на него повлиять? Словом, время для Первого всемирного конгресса по проблемам искусственного интеллекта назрело. Прошёл конгресс в первую неделю июня, Российская академия наук организовала его совместно с коллегами из Беларуси, Казахстана, Таджикистана, Китая, Индии и других стран. Одной из площадок проведения форума стал Новосибирск, где учёные уже давно работают над проблемами искусственного интеллекта. Здесь родился даже так называемый «сибирский подход» к этому вопросу.

— Искусственный интеллект с самого своего появления распался на две большие ветки. Одна связана с попыткой создания модели, которая будет мыслить, как человек. Другая — с обучением машин работать с закономерностями, которые вытекают из больших данных. То есть символьное и машинное обучение. У каждой есть свои недостатки: первая способна эволюционировать и придумывать то, его нет в действительности, а вторая может ошибаться. В Институте математики СО РАН создан оригинальный задачный подход, объединяющий два направления в единое целое. На его основе создано множество приложений от генетики до коммуникаций, — говорит председатель совета АНО «Кластер искусственного интеллекта» профессор НГУ Дмитрий Свириденко.

С другой стороны, человеческий мозг в любом случае отражает реальность точнее, чем любая, самая совершенная нейросеть, и задача учёных — максимально приблизить работу нейросетей к тем же принципам, по которым работает мозг. Однако мозг способен ошибаться — не застрахованы от ошибок и нейросети, а предлагаемые ими решения не всегда гарантируют надёжность.

— Если точность вычислений для управления автомобилем в горах будет недостаточной — машина упадёт в пропасть. А ещё алгоритмы не всегда дают результат вовремя, когда решение должно быть принято быстро, — утверждает завлаб Института математики им. С. Л. Соболева СО РАН академик Сергей Гончаров.

Главной площадкой конгресса в Новосибирске стал Институт цитологии и генетики СО РАН — его сотрудники тоже ведут работы по созданию собственных «интеллектуальных» систем. И помощниками человека эти системы должны стать, разумеется, при решении важных задач биологии. Например, при поиске новых веществ, нужных для сельского хозяйства. В этом поиске не обойтись без изучения метаболизма в организме бактерий, а искусственный интеллект помогает систематизировать накапливаемые при этом данные.

— Мы исследуем, какие вещества бактерия потребляет и какие после этого выделяет, и на основе геномных данных строим карты метаболических путей бактерий. Можем задать при этом ряд ограничений — например, удалить какой-нибудь ген у бактерии и посмотреть, как перераспределится движение веществ внутри клетки, активнее или нет она будет синтезировать валин или другой метаболит, важный для промышленности. У нас есть модель, на которой с применением методов высокопроизводительного вычисления мы можем сделать тысячи вариантов расчётов, как поведёт себя та или иная заданная мутация у бактерии, — рассказывает научный сотрудник сектора компьютерного анализа и моделирования биологических систем ИЦИГ СО РАН Фёдор Казанцев.

— Говорить здесь о точности не совсем корректно — иногда мы попадаем, иногда — нет. Экспериментаторы сами решают, стоит проверять предлагаемые нами варианты или нет, — указывает Фёдор Казанцев.

Участие экспертов-биологов в этом процессе тоже необходимо: только специалист может пояснить, насколько адекватны те или иные варианты, предлагаемые машинным интеллектом: для него отрицательный результат — тоже результат, но в реальной жизни выхлоп должен быть только положительным.

Если машина оказывается права, то в руках у биологов появляется ещё один инструмент для синтеза важных для сельского хозяйства аминокислот. Благодаря мутациям бактерий, полученным рукотворным путём, можно будет увеличивать выход продуктов за единицу времени или уменьшать затраты на кормление бактерии тем же самым субстратом, чтобы получить тот же самый объём полезного вещества.

Любой современный высокотехнологичный проект, над которым ведётся работа в наши дни, подразумевает применение искусственного интеллекта. «Сибирский кольцевой источник фотонов» (СКИФ), точнее, его экспериментальные станции, тоже не станет исключением. По госконтракту коллектив специалистов из Томского политехнического университета, НГТУ и ряда институтов РАН сейчас работает над проектированием и созданием одной из станций СКИФ, у которой будет свой «цифровой двойник». Как сообщили в ТПУ, станция «Микрофокус» позволит исследовать микрообъекты с разрешением порядка 100 нанометров, а её специализацией станет рентгенофлуоресцентный анализ, дифракция при высоких давлениях, рентгеновская микроскопия и микротомография.

Непосредственно над созданием цифрового двойника станции в инициативном порядке трудится команда под руководством и. о. заведующего кафедры систем автоматизированного проектирования СибГУТИ Якова Ракшуна — одного из участников конгресса.

— Наша цель — конкретная разработка, написание кода, чтобы на базе нескольких платформ органично соединить части, связанные с рентгенооптическими расчётами, автоматизированной системой управления, с CAD-моделями, 3D-визуализацией, а также с системами искусственного интеллекта. Теперь мы готовы переходить к созданию прототипов, для чего ищем необходимое финансирование, — рассказывает он.

Работа таких научно-исследовательских комплексов, как СКИФ, определяется тысячами параметров, по каждому из них новые данные поступают каждую секунду и даже микросекунду — ни один человеческий мозг охватить, а тем более переработать такой объём данных непосредственно по мере поступления не может. Здесь, конечно, цифровой двойник незаменим. Его, по мнению Якова Ракшуна, вполне можно научить управлять сложными физическими комплексами, но полностью заменить людей-операторов они не могут, да и не должны это делать. У двойника несколько задач: стать эффективным тренажёром для студентов, управлять экспериментом на миллисекундном временном масштабе, а также — собирать цифровые данные для специалистов, анализировать их и представлять информацию человеку в удобном виде для принятия управленческих решений. И даже исправлять «человеческий фактор» двойнику обязательно далеко не всегда.

— Например, человек не может прогнозировать некоторые события, связанные с действием электроники, систем питания — а двойник на это способен. Анализируя состояние системы, он вычислит начало неблагоприятных событий и проинформирует, какие узлы требуют профилактики, какие — замены. Сформировать планы закупок, планы профилактик — это двойник тоже может. Рекомендовать исправить ошибки, связанные с системой управления — тоже. Но контроль за принятием решений в любом случае должен оставаться за человеком. Иначе система станет полностью автономной, и никто не знает, к чему это способно привести, — отмечает Яков Ракшун.