51Инновационные аспекты развития науки и техники
УДК 004
Елизарова Наталья Юрьевна Elizarova Nataya Yurevna
Кандидат экономических наук, доцент Candidate of Economic Sciences, docent Зайнуллин Марат Ильдарович Zainullin Marat Ildarovich
Магистрант Master student
Казанский национальный исследовательский технический университет им.
АН. Туполева-КАИ (КНИТУ-КАИ) Kazan National Research Technical University named after A. N. Tupolev -
KAI (KNRTU-KAI)
ОСНОВНЫЕ ДОСТИЖЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В 2020-2021 ГОДЫ
THE MAIN ACHIEVEMENTS OF ARTIFICIAL INTELLIGENCE
IN 2020-2021
Аннотация, в данной статье приведены основные достижения исследователей искусственного интеллекта и машинного обучения за 2020-2021 годы, а также описаны некоторые возможные применения разработанных технологий. Искусственный интеллект как наука и как рынок, с каждым годом лишь развиваются, а финансирование разработок и увеличение сфер применения лишь набирает обороты.
Abstract, This paper outlines the main achievements of artificial intelligence and machine learning researchers for the years 2020-2021, and describes some possible applications of the technologies developed. Artificial Intelligence as a science and as a market is only growing every year, and funding for development and increasing applications is only gaining momentum.
Ключевые слова, искусственный интеллект, ИИ, машинное обучение, структура белков, поиск лекарств, определение свойств, нейронные сети, глубокое обучение.
Keywords, artificial intelligence, AI, machine learning, protein structure, drug search, property determination, neural networks, deep learning.
XII Международная научно-практическая конференция С каждым годом технологии обработки больших массивов данных, искусственного интеллекта становятся более востребованными и популярными. Это обуславливает их практически взрывное развитие в наш век. Например, в 2020 году объём инвестиций в ИИ достиг 67 млрд долларов [1]. И даже пандемия не повлияла на популярность ИИ. Так, согласно отчёту Стэнфордского университета, несмотря на экономический спад, половина респондентов опроса McKinsey заявили, что пандемия не повлияла на их инвестиции в ИИ, а 27% сообщили об увеличении инвестиций. Менее четверти предприятий сократили свои инвестиции в ИИ [1].
Огромные массивы данных, как никогда производительная техника и обилие датчиков позволяют из разрозненных данных вычленять полезное, а также позволяют «научить» машины решению многих задач, что сильно упрощает жизнь. Чему же научился ИИ за 2020 год и прошедшую часть 2021?
Предсказание трёхмерной структуры белков Нейросеть AlphaFold2 был разработан командой подразделения Google - Deepmind. Эта нейронная сеть позволяет строить трёхмерную структуру белков по последовательности нуклеотидов без дорогостоящих и долгих экспериментов. Ранее для определения структуры одного белка нужно было потратить от месяца до нескольких лет. Эта проблема остро стоит перед учёными уже более 50 лет. В основе последней версии AlphaFold лежит новый подход к машинному обучению, который включает в себя физические и биологические знания о структуре белка. Эту нейронную сеть обучали на 170000 белков, структуры которых уже известны. Далее исследователи передавали нейросети новую нуклеотидную последовательность, а ИИ строил структуру. Нейронная сеть даёт поразительную точность: совпадение с реальными структурами составило 90%. Такая точность особенно поражает, если знать, что
Инновационные аспекты развития науки и техники структура одного и того же белка может в некоторой степени варьироваться [2].
При этом не только разработчики нейронной сети хвалят её работу, но и биологи - пользователи, которым и предстоит работать с этой нейронной сетью. Например, предсказания AlphaFold помогли определить структуру бактериального белка, который лаборатория Лупаса пыталась построить в течение многих лет. Все другие инструменты оказались бесполезными. AlphaFold же справилась за полчаса, когда люди потратили десятилетие на попытки [3].
Поиск лекарств от вирусов В рамках данной работы исследователи из Сколтеха и Научного центра исследований и разработки иммунобиологических препаратов имени М. П. Чумакова изучили рекомендательные системы в контексте их применения для «рекомендации» лекарств (не только существующих, но и новых), направленных на лечение болезни. Рекомендательные системы преимущественно используются в основном для подбора рекомендуемых товаров в интернет-магазинах или подбора видео, например, на YouTube [4].
Такая рекомендательная система, способная «предсказать» лекарство, которое поможет в лечении инфекции может сильно ускорить разработку новых лекарств или успешный подбор уже существующих[4].
Написание новостей В конце мая 2020 года компания Microsoft уволила десятки сотрудников, занимающихся наполнением сайта Microsoft, и заменила их искусственным интеллектом. Один из сотрудников, работавших в этой команде, сказал: «Я проводил всё своё время, читая о том, что автоматизация и искусственный интеллект заберут нашу работу, и вот, ИИ добрался и до меня»[5].
XII Международная научно-практическая конференция Команда, работавшая над сайтом Microsoft, не писала оригинальные статьи, но все же осуществляла отбор статей, подготовленных другими новостными организациями, и редактировала содержание и заголовки, где это было необходимо, чтобы всё соответствовало необходимому формату. Затем статьи размещались на сайте Microsoft, а компания делила доходы от рекламы с оригинальными издателями[5].
Определять основные свойства вещества Разработанный немецкими учёными из Свободного университета Берлина (Freie Universität Berlin) ИИ может исследовать любые молекулы квантовыми методами Монте-Карло. Эти методы включают в себя решение уравнений Шредингера для большого количества частиц[6,7].
Имеющиеся методы решения таких уравнений позволяют работать только с малым количеством частиц. Для большого количества частиц в основном используются Теория функционала плотности (density functional theory, DFT) и Связанные кластеры (Coupled cluster), главный минус которых - приближённые, а не точные результаты из-за допущений. Например, Теория функционала плотности рассматривает твёрдое тело как систему, состоящую из одинаково взаимодействующих между собой электронов, удерживаемых вместе решёткой из атомных ядер [8], а это так далеко не всегда. Связанные кластеры также использую приближения[6,7], а потому недостаточно точны для расчёта тел с большим количеством частиц. Конечно, можно, рассчитать необходимые параметры и с помощью имеющихся методов, но это потребует огромных мощностей и займёт много времени[6,7].
Нейронная сеть глубокого обучения, названная PauliNet, позволяет вычислять в разумные сроки и на приемлемом железе уравнения Шредингера для практически любых молекул. Например, в
Инновационные аспекты развития науки и техники своей работе исследователи вычислили свойства ряда соединений всего за несколько десятков часов работы кластера из обычных видеокарт, предназначенных для персональных компьютеров [6,7].
Эта работа может оказаться ключевой для многих областей. Например, она может позволить создать новые химические катализаторы, новые материалы с необходимыми свойствами, а при некотором расширении возможностей может позволить даже рассчитать биохимические реакции, что сильно повлияет на многие сферы, в том числе на разработку и производство лекарств.
Машинное обучение, ИИ - остаются и будут ещё долгое время перспективной сферой науки. Количество применений ИИ растёт с каждым днём. Его применяют в медицине, научных изысканиях, для рекламы и во многих других местах. Это, безусловно, хороший инструмент, способный если не решить огромное количество проблем, стоящих перед человечеством, то хотя бы помочь в решении таких проблем. Машинное обучение стоит развивать на всех уровнях: от обучения в ВУЗах до финансирования программ и льгот для компаний, занимающихся новейшими разработками.
Библиографический список:
1. Stanford University (2021). Artificial Intelligence Index Report 2021. Retrieved from: https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021 -AI-Index-Report-_Chapter-3.pdf
2. Jumper, J., Evans, R., Pritzel, A. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, Retrieved from: https://doi.org/10.1038/s41586-021-03819-2
3. Callaway, E. (2020). 'It will change everything': DeepMind's AI makes gigantic leap in solving protein structures. Nature 588, 203-204, Retrieved from: https://doi.org/10.1038/d41586-020-03348-4
XII Международная научно-практическая конференция
4. Sosnina, E., Sosnin, S., Nikitina, A., Nazarov, I., Osolodkin, D., & Fedorov, M. (June 21, 2020). Recommender Systems in Antiviral Drug Discovery. ACS Omega. Retrieved from:: https://doi.org/10.1021/acsomega.0c00857
5. Waterson, J. (May 30, 2020) Microsoft sacks journalists to replace them with robots. The Guardian. Retrieved from:: https://www.theguardian.com/technology/2020/may/30/microsoft-sacks-journalists-to-replace-them-with-robots
6. Hermann, J., Schatzle, Z. & Noe, F. (2020). Deep neural network solution of the electronic Schrodinger equation (preprint). Retrieved from: https://arxiv.org/abs/1909.08423
7. Hermann, J., Schatzle, Z. & Noe, F. (2020). Deep-neural-network solution of the electronic Schrodinger equation. Nature Chemistry, 12, 891— 897. Retrieved from: https://doi.org/10.1038/s41557-020-0544-y
8. Шлютер М., Шэм Л. Теория функционала плотности // Физика за рубежом. Сборник статей. 1983 / М., Мир, 1983. - c. 179-203
