Les physiciens de Stanford créent l’IA pour perturber les lois de la nature

Le programme novateur d’intelligence artificielle recrée le tableau périodique.

Source: istockphoto

Imaginez pouvoir utiliser le pouvoir de l’intelligence artificielle pour inventer de nouveaux matériaux susceptibles de révolutionner de nombreux secteurs tels que l’industrie pharmaceutique, la biotechnologie, l’électronique, les plastiques, les semi-conducteurs, le verre, l’énergie, les nanotechnologies, les alliages métalliques, les matériaux composites, la céramique et l’optique. , et beaucoup plus. En 2018, des physiciens pionniers de l’Université Stanford de Palo Alto, en Californie, ont annoncé dans PNAS ( Actes de l’Académie nationale des sciences des États-Unis d’Amérique ) la création d’un nouveau programme d’intelligence artificielle (Atom2Vec) capable de recréer le tableau périodique d’éléments – un premier pas important dans la création d’une IA capable de découvrir de nouvelles lois de la nature et d’inventer de nouveaux matériaux et composés [1]. Atom2Vec a pu atteindre cet objectif en quelques heures à peine, comparé aux nombreux siècles que cela a pris pour l’homme [2]. Cet objectif a été atteint grâce à une approche multidisciplinaire de l’IA – appliquant des concepts linguistiques à la science des matériaux.

Les physiciens de Stanford ont appliqué l’hypothèse de Zellig S. Harris sur la structure distributionnelle du langage en atomes plutôt qu’en mots. Le concept linguistique de Harris met en avant l’idée que les classes de base des entités du langage peuvent être regroupées par comportement distributionnel car elles ont généralement des propriétés distributionnelles similaires. Pour illustrer l’idée de Harris, le mot «tante» est associé à «femme» et «oncle» à «homme». Un vecteur possible pour «tante» peut être décrit comme «tante égale oncle moins homme plus femme. S’appuyant sur cette analogie linguistique, l’équipe de recherche a créé Atom2Vec avec des concepts tirés de Google Word2Vec, un réseau de neurones à deux couches pour l’analyse du langage naturel [3].

• Epigénétique de l’environnement par le père du champ
• Comment l’innovation des cellules souches a-t-elle mené des recherches avancées en neurosciences?
• Le taux croissant d’autisme chez les enfants
• 5 actions pour créer plus de sens et de joie
• Si le traumatisme est transgénérationnel, il en va de même de la résilience et de la PTG

Les physiciens ont utilisé «des vecteurs d’atomes comme unités d’entrée de base pour les réseaux de neurones et d’autres modèles ML conçus et formés pour prédire les propriétés des matériaux». Par exemple, Atom2Vec a pu apprendre que le sodium et le potassium ont des propriétés similaires basées sur la propriété partagée de liaison au chlore.

Cette première itération d’Atom2Vec reposait sur un apprentissage automatique non supervisé. Cela signifie que l’algorithme a été alimenté avec des données d’entrée non étiquetées sans aucune variable de sortie correspondante, l’objectif étant de permettre à l’algorithme d’apprendre la structure inhérente à partir des données d’entrée. Pour la prochaine version, l’équipe s’appuiera sur la percée réalisée par l’IA pour recréer le tableau périodique des éléments afin de développer de futurs traitements pour les patients cancéreux avec une approche d’apprentissage automatique plus supervisée. L’objectif global d’Atom2Vec 2.0 est d’identifier les anticorps optimaux présentant le moins de toxicité et d’efficacité maximale pour attaquer les antigènes des cellules cancéreuses. Dans le but de trouver de nouvelles solutions pour les traitements d’immunothérapie du cancer, les chercheurs envisagent de mapper les gènes sur un vecteur mathématique afin d’organiser plus de 10 millions d’anticorps dans le corps humain. L’avenir d’Atom2Vec s’étendra à plusieurs disciplines, du domaine de la chimie à la biologie, à l’oncologie, à l’immunothérapie et à la médecine.

Copyright © 2018 Cami Rosso Tous droits réservés.

• Comment le fondamentalisme religieux détourne le cerveau
• Ayez confiance en l’amour
• Une étude révolutionnaire sur le microbiome lie l’intestin au comportement neurologique
• Nouvelle recherche: Pesticides associés à l’autisme
• 7 presque-génial

Références

1. Zhou, Quan; Tang, Peizhe; Liu, Shenxiu; Pan, Jinbo; Yan, Qimin; Zhang, Shou-Cheng. «Apprentissage des atomes pour la découverte de matériaux». Actes de la National Academy of Sciences des États-Unis d’Amérique (PNAS ). 26 juin 2018.

2. Than, Ker. “Stanford AI recrée le tableau périodique des éléments de la chimie.” Stanford News. 25 juin 2018.

3. Cobley, Andrew. “Avez-vous Word2Vec? Le rat de bibliothèque de neurones de Google. ” The Register. 13 octobre 2017.