Årets Nobelpriser i fysik och kemi relaterar båda starkt till AI; Nobelpriset i fysik tilldelades forskning som ligger till grund för modern maskininlärning, medan den nobelprisade forskningen inom kemi använder AI-modeller för att lösa problem som rör proteiner.
Vi bad tre av våra AI-forskare att förklara dessa genombrott och vad de innebär för AI-området.
Fysikforskning som revolutionerade AI-fältet
Nobelpriset i fysik tilldelades John Hopfield och Geoffrey Hinton för att ha lagt grunden för modern maskininlärning. De två forskarna använde teorier om mänskligt minne för att utveckla artificiella neurala nätverk, vilket gör det möjligt för AI att lära av erfarenheter på samma sätt som människor gör. Artificiella neurala nätverk är modeller baserade på de biologiska neurala nätverken hos djur och människor.
Forskarassistent Stefano Sarao Mannelli vid institutionen för data- och informationsteknik förklarar varför denna forskning anses vara banbrytande för AI:
– Hinton och Hopfields forskning gav ny fart åt området neurala nätverk efter viss motgång på 1960-talet, och banade väg för grundläggande upptäckter inom maskininlärning, särskilt djupinlärning, som ligger till grund för modern AI. Numera är AI en del av verktygslådan som används vid forskning, och detta påverkar alla områden inklusive fysik, kemi och biologi.
Nära relation mellan vetenskap och AI
Nobelpriset innebär ett erkännande av den otroliga betydelse som neurala nätverk har i våra liv idag, fortsätter Stefano Sarao Mannelli, samt den betydande inverkan som statistisk fysik har i utvecklingen och förståelsen av AI. Det belyser också den viktiga kopplingen mellan AI och andra vetenskapliga områden.
– Bland oss som arbetar med AI vet vi att det finns ett tydligt symbiotiskt förhållande mellan AI och vetenskap. Å ena sidan används AI ofta för att påskynda vetenskapliga upptäckter; å andra sidan har insikter från områden som fysik, psykologi och neurovetenskap starkt påverkat utvecklingen av algoritmer och vår förståelse för deras funktion, säger Stefano Sarao Mannelli.
AI löste 50-årigt problem med proteiners strukturer
Nobelpriset i kemi tilldelades en trio som alla har använt sig av AI inom sin forskning. David Baker har, som Nobelkommittén uttrycker det, "lyckats med det nästan omöjliga konststycket att bygga nya proteiner" medan Demis Hassabis och John Jumper utvecklat en AI-modell som “löst ett 50år gammalt problem: att förutspå proteiners komplexa strukturer".
Proteiner är de ‘nanostora maskinerna’ i vår kropp som reglerar olika biologiska processer. David Baker använde datoriserade metoder för att skapa proteiner med nya funktioner. Enligt Simon Olsson, docent i Data Science och AI vid institutionen för data- och informationsteknik, är detta ett komplicerat sökproblem där varje steg kan innebära att experimentella forskare får tillbringa månader i laboratoriet. AI möjliggjorde en acceleration av den tid det tar att kontrollera resultaten. Den andra forskarduon Demis Hassabi och John Jumper tilldelades priset för att de lyckats skapa en AI-modell, Alphafold2, som kan förutsäga 3D-strukturer av ett protein.
– Att förutspå proteiners tredimensionella strukturer är ett vetenskapligt fält i sig. Det kräver återigen att enorma datamängder genomsöks, en process som ofta är både tidskrävande och kostsam, säger Simon Olsson.
Öppen källdata viktig faktor
Rocío Mercado, forskarassistent i Data Science och AI vid institutionen för data- och informationsteknik, menar att viktiga faktorer för framgången av Hassabi och Jumpers modell AlphaFold2 är dess avancerade datadrivna metoder, designen av smarta AI-arkitekturer för förbättrad dataeffektivitet samt användningen av stora, högkvalitativa data från open-source-källor.
– Det är viktigt att belysa att AlphaFold2 bygger på årtionden av arbete av strukturbiologer, som noggrant har samlat in och öppet delat proteindata genom initiativ som Protein Data Bank. Även om det finns mer arbete att göra inom området så har AlphaFold2 redan haft stor betydelse, särskilt inom läkemedelsområdet där det har möjliggjort utforskningen av tidigare okända proteinstrukturer. Detta Nobelpris visar på fördelarna med att använda AI-drivna verktyg för att hantera komplexa vetenskapliga utmaningar, vilket kan resultera i stor samhällsnytta", säger Rocio Mercado.
Forskning på institutionen för data- och informationsteknik följer i samma fotspår
På data- och informationsteknik arbetar Simon Olssons forskargrupp med att utvidga resultaten som Hassabis och Jumpers AI-modell, Alphafold2, bygger på. Istället för att 'bara' hitta 3D-strukturer av molekyler, som proteiner, fokuserar gruppen på molekylernas rörelser. Idag upptar simuleringar av dessa rörelser en stor mängd datorkapacitet globalt.
– Följaktligen är ett av målen i vårt team att utveckla AI-metoder för att påskynda simuleringen av dessa tekniker genom att designa system som låter oss förutsäga hur ett protein kan röra sig över långa tidsskalor utan explicit simulering. En sådan teknik skulle kunna möjliggöra förståelse för grundläggande processer på tid- och längdskalor som är mer i linje med biologin, säger Simon Olsson.
I ett annat labb på data- och informationsteknik arbetar forskarassistent Rocío Mercado och hennes team med generativa AI-metoder för att konstruera molekyler och material, likt Bakers teams sätt att arbeta med att konstruera proteiner efter specifikationer.
– Olika molekylära modaliteter presenterar unika uppsättningar utmaningar; inom materialvetenskap och kemisk syntes har till exempel initiativ för datautbyte inte riktigt lyft som inom det strukturbiologiska området, så vi måste utforma smarta sätt att överbrygga molekylsimulering och multimodal djupinlärning för att maximera dataeffektiviteten i våra metoder. Målet för mig och mitt team är att inom de nästa 5 till 10 åren göra det möjligt för kemister att regelbundet kunna utnyttja de verktyg vi utvecklar för att designa och prioritera molekyler. På så sätt skulle våra metoder möjliggöra vetenskapliga upptäckter inom kemi och relaterade vetenskaper.