โมเดล AI ทางวิทยาศาสตร์ที่ฝึกฝนด้วยข้อมูลต่างกันเรียนรู้ภาพภายในของสสารในลักษณะเดียวกัน การศึกษาพบ
นักวิจัยจาก Helmholtz-Zentrum Dresden-Rossendorf (HZDR) และสถาบันอื่นๆ ได้ค้นพบหลักฐานที่น่าตื่นเต้นจากงานวิจัยล่าสุด ซึ่งเผยให้เห็นว่าโมเดลปัญญาประดิษฐ์ (AI) ทางวิทยาศาสตร์ที่ฝึกฝนด้วยชุดข้อมูลและสถาปัตยกรรมที่แตกต่างกัน สามารถพัฒนาภาพภายในหรือการแสดงผล (representation) ของสสารในลักษณะที่คล้ายคลึงกันอย่างน่าประหลาดใจ การค้นพบนี้ตีพิมพ์ในวารสาร Nature Machine Intelligence และชี้ให้เห็นถึงความเป็นไปได้ของ “ภาพภายในสากล” ของสสารที่โมเดลเหล่านี้เรียนรู้ได้โดยอัตโนมัติ
Michael Marks นักวิจัยจากสถาบันทรัพยากรนิเวศวิทยาของ HZDR และผู้เขียนนำ กล่าวว่า “ผลลัพธ์ของเราบ่งชี้ว่ามี ‘ภาพภายในสากล’ ของสสารที่โมเดลเหล่านี้เรียนรู้ แม้จะฝึกฝนด้วยข้อมูลที่แตกต่างกัน” การศึกษานี้มุ่งเน้นไปที่โมเดลการเรียนรู้ของเครื่อง (machine learning) ที่ใช้ในการทำนายคุณสมบัติทางกายภาพของวัสดุ เช่น ความหนาแน่น (density) ความเร็วเสียง (speed of sound) ค่าความยืดหยุ่นแบบปริมาตร (bulk modulus) สัดส่วนพอยซอง (Poisson ratio) และช่องว่างพลังงาน (band gap)
เพื่อตรวจสอบสมมติฐาน นักวิจัยได้ฝึกโมเดลมากกว่า 100,000 โมเดล โดยใช้ชุดข้อมูลย่อยที่สุ่มจากคลังข้อมูลวัสดุสามแห่งหลัก ได้แก่ Materials Project (140,000 โครงสร้าง) JARVIS (70,000 โครงสร้าง) และ NOMAD (5 ล้านโครงสร้าง) ชุดข้อมูลเหล่านี้ครอบคลุมวัสดุหลากหลายประเภท ตั้งแต่โลหะ โลหะกึ่งตัวนำ ไปจนถึงสารประกอบอินทรีย์และอนินทรีย์ ซึ่งช่วยให้มั่นใจว่าการทดลองครอบคลุมความหลากหลายของสสารในธรรมชาติ
สถาปัตยกรรมโมเดลที่ใช้ครอบคลุมหลากหลายประเภท เพื่อทดสอบความคงทนของการแสดงผลที่ได้ โมเดลกราฟประสาทเทียม (graph neural networks: GNNs) เช่น CGCNN, M3GNet, SchNet และ DimeNet++ ถือเป็นมาตรฐานสำหรับการทำนายคุณสมบัติวัสดุ เนื่องจากโครงสร้างอะตอมสามารถแสดงผลเป็นกราฟได้อย่างมีประสิทธิภาพ นอกจากนี้ ยังรวมถึงโมเดลเครือข่ายประสาทเทียมหลายชั้น (multilayer perceptrons: MLPs) และเครือข่ายประสาทเทียมแบบม้วน (convolutional neural networks: CNNs) ที่ใช้ภาพสองมิติของโครงสร้างผลึก
การเปรียบเทียบการแสดงผลภายในของโมเดลเหล่านี้ไม่ใช่เรื่องง่าย เนื่องจากโมเดลแต่ละตัวมีชั้นซ่อน (hidden layers) ที่มีขนาดและโครงสร้างต่างกัน นักวิจัยจึงใช้เทคนิคทางคณิตศาสตร์ขั้นสูง เช่น Canonical Correlation Analysis (CCA) Centered Kernel Alignment (CKA) และ Linear Probing เพื่อวัดความคล้ายคลึงกันในพื้นที่หลายมิติ (high-dimensional space)
ผลลัพธ์ที่ได้น่าทึ่ง: โมเดลที่ฝึกด้วยสถาปัตยกรรมเดียวกันแต่ใช้ชุดข้อมูลต่างกัน แสดงค่าความคล้ายคลึงสูงมาก โดย CKA สูงกว่า 0.9 ในหลายกรณี แม้กระทั่งโมเดลจากสถาปัตยกรรมต่างกัน เช่น GNNs กับ MLPs ก็ยังมีค่าความคล้ายคลึงที่สูงผิดคาด การแสดงผลเหล่านี้จัดกลุ่มตามประเภทสถาปัตยกรรม แต่มีการทับซ้อนกันอย่างมีนัยสำคัญ ชี้ให้เห็นว่าโมเดลเรียนรู้คุณลักษณะพื้นฐานของสสารในลักษณะที่เป็นเอกภาพ
ตัวอย่างเช่น ในการทำนายความหนาแน่น โมเดลจาก Materials Project และ JARVIS ที่ใช้ CGCNN แสดงการแสดงผลที่เกือบจะเหมือนกัน แม้ชุดข้อมูลจะแตกต่างกันมาก นักวิจัยยังพบว่าการแสดงผลเหล่านี้สามารถถ่ายโอน (transfer) ไปยังชุดข้อมูลใหม่ได้ดี โดยใช้ linear probing เพื่อทำนายคุณสมบัติใหม่จากชั้นแสดงผลของโมเดลที่ฝึกมาก่อน
การค้นพบนี้มีความสำคัญต่อวงการวิทยาศาสตร์วัสดุและ AI ทางวิทยาศาสตร์เป็นอย่างยิ่ง ประการแรก ช่วยให้เข้าใจ “กล่องดำ” (black box) ของโมเดล AI ได้ดีขึ้น โดยเผยให้เห็นว่าคุณลักษณะทางกายภาพพื้นฐาน เช่น ขนาดอะตอม การจัดเรียงโครงสร้าง หรือปฏิกิริยาระหว่างอะตอม ถูกเรียนรู้ในลักษณะสากล ประการที่สอง สนับสนุนแนวคิดของโมเดลพื้นฐาน (foundation models) ในวิทยาศาสตร์วัสดุ ซึ่งสามารถฝึกด้วยข้อมูลมหาศาลแล้วนำไปปรับใช้กับงานเฉพาะได้อย่างมีประสิทธิภาพ
นอกจากนี้ ยังมีนัยยะต่อการพัฒนาสถาปัตยกรรมใหม่ นักวิจัยสามารถใช้การแสดงผลสากลนี้เป็นจุดเริ่มต้นในการออกแบบโมเดลที่ประหยัดข้อมูลและคำนวณมากขึ้น สิ่งนี้จะช่วยเร่งการค้นพบวัสดุใหม่สำหรับเทคโนโลยีอนาคต เช่น แบตเตอรี่ประสิทธิภาพสูง วัสดุตัวนำยิ่งยวด หรือเซมิคอนดักเตอร์ขั้นสูง
อย่างไรก็ตาม นักวิจัยเตือนว่าการแสดงผลที่คล้ายคลึงกันอาจเกิดจากอคติในชุดข้อมูล เช่น การครอบคลุมเฉพาะวัสดุผลึกที่มั่นคงเท่านั้น ดังนั้น การศึกษาต่อไปควรขยายไปยังวัสดุที่ไม่ใช่ผลึกและชุดข้อมูลที่หลากหลายยิ่งขึ้น
สรุปแล้ว การศึกษานี้ไม่เพียงยืนยันศักยภาพของ AI ในการเข้าใจสสารในระดับอะตอม แต่ยังเปิดประตูสู่การตีความและปรับปรุงโมเดลทางวิทยาศาสตร์ให้ดียิ่งขึ้น ซึ่งจะเป็นประโยชน์ต่ออุตสาหกรรมและการวิจัยในระยะยาว
(จำนวนคำประมาณ 720 คำ)
This Article is sponsored by Gnoppix AI (https://www.gnoppix.org)