Zrozumienie mocnych stron i ograniczeń technik sztucznej inteligencji
![Zrozumienie mocnych stron i ograniczeń technik sztucznej inteligencji](https://oen.pl/wp-content/uploads/2023/03/1677653990_1200-630-770x470.png)
Spodnie Shashank był absolwentem Centrum Biofizyki i Biologii Ilościowej na Uniwersytecie Illinois Urbana-Champaign.
W 2019 roku otrzymał stypendium Beckman Fellowship od Beckman Foundation University of Illinois.
INDIAai przeprowadził wywiad z Shashank, aby poznać jego punkt widzenia na sztuczną inteligencję.
Absolwent nauk chemicznych zostaje naukowcem zajmującym się biofizyką obliczeniową / chemią. Jak to się wszystko zaczęło? Opowiedz nam o swojej podróży.
Dziedzina chemii obliczeniowej/biofizyki jest obszarem wysoce multidyscyplinarnym. Wykorzystuje metody chemii, biologii, matematyki i fizyki statystycznej, włączone do wydajnych kodów obliczeniowych, aby rozwikłać funkcję białek i cząsteczek w rozdzielczości atomowej.
Podczas studiów licencjackich zainteresowałem się naukami chemicznymi, a konkretnie fizyką polimerów. Karierę naukową rozpocząłem jako pracownik naukowy w Centrum Badań nad Polimerami w IISERK. W laboratorium dr P. De zaprojektowałem i opracowałem polimery reagujące na pH i temperaturę do dostarczania leków. Polimery te łączą się w struktury wyższego rzędu wrażliwe na stres termiczny i kwasowy. W ciągu dwóch lat jako badacz licencjacki odkryłem, że pochodzenie zespołów wyższego rzędu przypisuje się równowadze między hydrofobowymi i hydrofilowymi grupami chemicznymi. Zjawisko to znane jest jako „efekt hydrofobowy”. Ukończyłem wiele kursów fizyki statystycznej i nauk chemicznych, aby lepiej zrozumieć to zjawisko. W końcu miałem to szczęście, że otrzymałem stypendium National Initiative for Undergraduate Sciences (NIUS) na zbadanie tego tematu. To stypendium zapewniło mi platformę do pracy nad pochodzeniem hydrofobowości w nanoskali pod zdolnym kierownictwem dr Niharendu Choudhury z Bhabha Atomic Research Center (BARC). Korzystając z uproszczonych modeli obliczeniowych, zrozumiałem, w jaki sposób cząsteczki polarne, takie jak woda, układają się w uporządkowane zespoły w pobliżu powierzchni hydrofobowych. Po ukończeniu tego projektu otrzymałem możliwość kontynuowania letnich badań w podobnych obszarach badawczych na University of Texas i University of Manchester. Interdyscyplinarny charakter tych projektów przyciągnął mnie w kierunku chemii obliczeniowej i teoretycznej oraz biofizyki. Podczas tych letnich staży badawczych wykorzystywałem swoją wiedzę z matematyki, informatyki, fizyki, chemii i biologii do rozwiązywania złożonych problemów. Ponadto moje studia podyplomowe na University of Illinois Urbana-Champaign dały mi więcej możliwości zdobycia umiejętności w zakresie biologii i sztucznej inteligencji oraz ugruntowania pozycji biofizyka obliczeniowego.
Co skłoniło Cię do wykorzystania sztucznej inteligencji w złożonych procesach biologicznych?
Dziedzina sztucznej inteligencji ma korzenie w prawie każdej gałęzi badań, w tym w fizyce, matematyce, informatyce, psychologii i biologii. Pod względem zastosowań i tematów sztuczna inteligencja obejmuje tematy od percepcji, poznania i automatyzacji po odkrywanie leków i inne procesy biologiczne. W obecnych czasach musimy być otwarci i kreatywni, jeśli chodzi o wykorzystanie sztucznej inteligencji. Jednak, co zaskakujące, niektórzy ludzie nadal mają bardzo sztywny pogląd na sztuczną inteligencję.
Studia licencjackie w Indyjskim Instytucie Edukacji Naukowej i Badań Naukowych w Kalkucie (IISERK) pomogły mi położyć solidne fundamenty w nauce. Jedną z ekscytujących rzeczy w IISER jest to, że pozwala ci wybrać dowolny przedmiot/temat jako drugorzędny, co pozwala mi brać udział w kursach takich jak fizyka statystyczna, algebra liniowa, teoria grafów, informatyka i biologia, a także specjalizacje z nauk chemicznych. Po przeprowadzce na University of Illinois, Urbana-Champaign, zdałem sobie sprawę z szybkiego postępu w sztucznej inteligencji i tego, jak może ona ulepszyć konwencjonalne techniki biologii obliczeniowej. Dzięki mojemu opiekunowi doktoranckiemu, dr Emadowi Tajkhorshidowi, miałem okazję prowadzić letnie badania w laboratorium dr Pratyusha Tiwary na University of Maryland. W tym czasie nauczyłem się i połączyłem fizykę statystyczną, sztuczną inteligencję i biologię, aby przyspieszyć symulacje molekularne i zwiększyć wiarygodność tych metod w reżimie rzadkich danych. Było to niezwykle satysfakcjonujące doświadczenie badawcze, ponieważ mogłem docenić moc sztucznej inteligencji, gdy jest używana inteligentnie.
Opowiedz nam o swojej pracy doktorskiej i wkładzie, jaki w niej wniosłeś.
Moje badania koncentrują się na rozwijaniu i wykorzystywaniu synergii między mechaniką statystyczną, symulacjami komputerowymi i sztuczną inteligencją (AI) do badania kinetyki i termodynamiki złożonych procesów biologicznych. Jestem szczególnie zainteresowany przeprowadzaniem symulacji wszystkich atomów, które mogą osiągnąć milisekundy i dłuższe skale czasowe, aby wypełnić lukę między teorią a eksperymentami. Ponieważ te skale czasowe są daleko poza zasięgiem najszybszych superkomputerów, moja praca wymaga zastosowania różnych ulepszonych algorytmów próbkowania, aby zrozumieć dynamikę biomolekuł istotnych z punktu widzenia biomedycyny.
W moich badaniach doktoranckich skupiłem się na połączeniu mechaniki statystycznej, symulacji komputerowych i sztucznej inteligencji (AI), aby rozwikłać krajobraz konformacyjny białek błonowych, mając nadzieję na opracowanie nowych strategii projektowania leków. Ogólne oszacowanie ludzkiego genomu sugeruje, że białka błonowe stanowią 25% ludzkiego proteomu. Ściśle oddziałują z błonami biologicznymi, umożliwiając w ten sposób kontrolowane i selektywne przetwarzanie informacji docierających do komórek. Z farmakologicznego punktu widzenia białka te odgrywają kluczową rolę we wchłanianiu, dystrybucji i eliminacji leków, a nawet same są celem leków. Tak więc, ze względu na swoją fundamentalną rolę w różnych procesach biologicznych i fizjologicznych, białka błonowe należą do krytycznych celów leków w różnych zaburzeniach u ludzi, dodatkowo stymulując powszechne zainteresowanie mechanistycznymi badaniami tych białek na poziomie atomowym. Ze względu na kluczowe znaczenie białek błonowych w biologii i medycynie oraz ostatnie duże inwestycje w ich biologię strukturalną, w ciągu ostatnich kilku lat byliśmy świadkami zdumiewającej liczby struktur tych białek o wysokiej rozdzielczości.
Niemniej jednak nadal mamy minimalny pogląd na naturę przejść strukturalnych między centralnymi stanami funkcjonalnymi i sprzężenie tych zmian z innymi zdarzeniami molekularnymi. Wraz ze wzrostem obciążenia chorobami neurologicznymi i nowotworami na całym świecie, moje badania pomogły położyć podwaliny pod opracowanie nowych strategii terapeutycznych ukierunkowanych na różne białka błonowe zaangażowane w te zaburzenia. Podczas moich badań doktoranckich opracowałem narzędzia, algorytmy i metody obliczeniowe, które odegrały kluczową rolę w zapewnieniu platformy dla badaczy obliczeniowych i badaczy z innych dziedzin, takich jak biologia strukturalna i elektrofizjologia.
Druga część moich badań doktorskich dotyczyła znaczenia błon biologicznych w dyktowaniu struktury i funkcji białek błonowych. Moje badania wykazały, że lipidy sygnalizacyjne odgrywają znaczącą rolę w pośredniczeniu w otwieraniu kanałów jonowych, które są ważnym celem dla leków w przypadku zaburzeń neurologicznych, i pomagają lekarzom w identyfikacji rodzajów leków przeciwpadaczkowych, które można stosować w oparciu o mutacje. Ponadto otworzy obszar spersonalizowanej diagnostyki i medycyny epilepsji noworodków.
Jakie początkowe wyzwania napotkałeś jako badacz w Indiach i Stanach Zjednoczonych? Czy możesz opisać, jak je pokonałeś?
Przyjechałem do Stanów Zjednoczonych w 2016 roku po ukończeniu zintegrowanego MS z IISERK. Ze względu na moje wcześniejsze doświadczenie badawcze jako letniego studenta badawczego w Wielkiej Brytanii i Stanach Zjednoczonych, prawie nie napotkałem żadnych trudności związanych z kulturą badań. Jednak uczniowie zwykle napotykają wyzwania związane z dostosowaniem się do kultury, akcentu, zarządzania czasem, środowiska akademickiego i ogólnej sceny społecznej. Moja rada brzmi: „Nie bądź nieśmiały, odważny i pewny siebie. Jeśli potrafisz o tym pomyśleć, możesz to zrobić!”
Jak jako naukowiec reagowałeś na rozczarowania, takie jak niepowodzenia eksperymentów i odrzucenie artykułu? Jak zachować spokój?
Nie ma czegoś takiego jak sukces bez porażek i błędów. Najbardziej satysfakcjonującą rzeczą w badaniach jest proces ciągłych informacji zwrotnych, które otrzymujesz od swoich rówieśników, co pomaga ci doskonalić się jako naukowiec. Ta informacja zwrotna może mieć formę pytań zadawanych podczas prezentacji konferencyjnych oraz komentarzy/odrzuceń podczas recenzji. Często włączam te uwagi (głównie konstruktywne) do moich badań, co wzmacnia moją pracę. Jeśli chodzi o nieudane eksperymenty, stale je analizuję, aby zidentyfikować przyczyny niepowodzenia, co pomaga uwypuklić słabość i zmusza do nieszablonowego myślenia w celu jej ulepszenia i szerokiego zastosowania. Badania to podróż, którą należy się cieszyć i nie należy kierować się tylko kamieniami milowymi lub sukcesami.
Beckman Foundation University of Illinois przyznała ci stypendium Beckman Fellowship w 2019 roku. Opowiedz nam o stypendium Beckman Fellowship. Jakie kroki powinni podjąć badacze, aby ubiegać się o takie stypendia?
Beckman Institute to fizyczna przestrzeń i społeczność badaczy, która wspiera współpracę międzyplatformową oraz pielęgnuje nowe pomysły i odkrycia. Jedynym celem tego instytutu jest zmniejszenie progu / barier między konwencjonalnymi badaniami a najnowocześniejszymi technologiami, aby uzyskać przełom w badaniach. Aby zachęcić do współpracy, Beckman Institute oferuje program stypendialny dla absolwentów, który zapewnia studentom Uniwersytetu Illinois platformę do prowadzenia interdyscyplinarnych badań w instytucie. Ten program jest wspierany przez fundusze Fundacji Arnolda i Mabel Beckmanów.
Każdy wnioskodawca musi złożyć propozycję interdyscyplinarnego projektu badawczego z udziałem członków wydziału University of Illinois z różnych grup badawczych. Wszystkie wnioski są oceniane wyłącznie pod kątem jakości proponowanej pracy, w tym rozwoju nowatorskich technologii. Wybrani kandydaci do tego programu są zatrudniani jako absolwenci asystenci naukowi. Stypendium otrzymałem w 2019 roku za mój projekt badawczy dotyczący odkrycia struktury i funkcji kanałów jonowych powodujących padaczkę. Moja rada dla obecnych i przyjeżdżających studentów, w szczególności studentów zagranicznych, to zwracać uwagę na te ograniczone stypendia, planować z dużym wyprzedzeniem oraz być oryginalnym i agresywnym w pisaniu propozycji.
Jakiej rady udzieliłbyś komuś, kto rozważa karierę w badaniach nad sztuczną inteligencją? Na czym powinni się skoncentrować, aby awansować?
Ktoś, kto rozważa karierę w sztucznej inteligencji, powinien wiedzieć, że sztuczna inteligencja jest potężna i łatwa w użyciu. Ale jednocześnie jest ograniczony i łatwy do nadużycia i nie zastąpi intuicji i praw fizyki.
Jeśli chodzi o porady, polecam następujące.
1. Po pierwsze, zbuduj solidne podstawy w AI/ML. Wierzę, że algebra liniowa i prawdopodobieństwo to dwa główne tematy niezbędne do docenienia i zrozumienia obecnych najnowocześniejszych algorytmów AI/ML.
2. Zrozumieć mocne strony i ograniczenia technik AI/ML. Może to pozwolić naukowcom na podejmowanie świadomych decyzji przy wyborze konkretnego algorytmu do rozwiązania problemu.
3. Myśl głęboko!
Jakie prace naukowe i publikacje miały największy wpływ na Twoje życie?
Następujące artykuły i książki na temat fizyki statystycznej i AI/ML wywarły wpływ na moje badania.
Fizyka statystyczna i termodynamika:
1. „Mechanika statystyczna: teoria i symulacja molekularna” Marka E. Tuckermana
2. „Wprowadzenie do współczesnej mechaniki statystycznej” Davida Chandlera
3. „Wprowadzenie do termodynamiki statystycznej” autorstwa Terrella L. Hilla
4. „Mechanika statystyczna stanu nierównowagi” Roberta Zwanziga
5. „Mechanika statystyczna” Donalda Allana McQuarriego
6. Równość braku równowagi dla różnic energii swobodnej, C Jarzynski, Physical Review Letters 78 (14), 2690
7. Twierdzenie o fluktuacji produkcji entropii i nierównowagowy stosunek pracy dla różnic energii swobodnej, GE Crooks, Physical Review E 60 (3), 2721.
8. Problem fałdowania białek, 50 lat później, KA Dill, JL MacCallum, Science 338 (6110), 1042-1046
9. Rola sił odpychających w określaniu struktury równowagi cieczy prostych, JD Weeks, D Chandler, HC Andersen, The Journal of Chemical Physic. 54 (12), 5237-5247
10. Interfejsy i siła napędowa zespołu hydrofobowego, D Chandler, Nature 437 (7059), 640-647
Poniżej znajduje się niekompletna lista książek, które bardzo pomogły mi w zrozumieniu sztucznej inteligencji
1. „Głębokie uczenie się” autorstwa Aarona Courville’a, Iana Goodfellowa i Yoshua Bengio
2. „Elementy teorii informacji” Joy Thomas i Thomas Cover
3. Roughgarden T., Dwadzieścia wykładów z algorytmicznej teorii gier. Cambridge University Press; 2016