គំរូ AI ថ្មីព្យាករណ៍យ៉ាងត្រឹមត្រូវនូវប្រតិកម្មគីមីដោយប្រើការអភិរក្សម៉ាស់

ក្រុមមួយនៅ MIT បានរកឃើញវិធីមួយដើម្បីបញ្ចូលឧបសគ្គខាងរាងកាយទៅក្នុងគំរូ AI ដែលព្យាករណ៍ពីប្រតិកម្មគីមី ធ្វើឱ្យការព្យាករណ៍ជាក់ស្តែងសម្រាប់ប្រតិកម្មជាច្រើនយ៉ាងត្រឹមត្រូវ ខណៈពេលដែលគោរពគោលការណ៍រូបវន្តក្នុងពិភពពិតផងដែរ។

ការប៉ុនប៉ងជាច្រើនត្រូវបានធ្វើឡើងដើម្បីទាញយកថាមពលនៃបញ្ញាសិប្បនិម្មិត (AI) និងគំរូភាសាធំ (LLMs) ដើម្បីទស្សន៍ទាយលទ្ធផលនៃប្រតិកម្មគីមីថ្មី។ ទោះជាយ៉ាងណាក៏ដោយ ភាពជោគជ័យមានកម្រិត ភាគច្រើនដោយសារតែគំរូទាំងនេះមិនជាប់នឹងគោលការណ៍រូបវន្តជាមូលដ្ឋាន ដូចជាច្បាប់នៃការអភិរក្សម៉ាសជាដើម។

ឥឡូវនេះ ក្រុមមួយនៅ MIT បានរកឃើញវិធីមួយដើម្បីបញ្ចូលឧបសគ្គរាងកាយទៅក្នុងគំរូព្យាករណ៍ប្រតិកម្ម ដោយធ្វើអោយប្រសើរឡើងយ៉ាងសំខាន់នូវភាពត្រឹមត្រូវនិងភាពជឿជាក់នៃលទ្ធផល។

ប្រព័ន្ធ FlowER (Flow matching for Electron Redistribution) អនុញ្ញាតឱ្យមានការតាមដានលម្អិតអំពីចលនារបស់អេឡិចត្រុង ដោយធានាថាគ្មានអេឡិចត្រុងត្រូវបានបន្ថែម ឬបាត់បង់ដោយសិប្បនិម្មិតទេ។ រូបថត៖ MIT News

ការងារនេះត្រូវបានបោះពុម្ពនៅថ្ងៃទី 20 ខែសីហានៅក្នុងទិនានុប្បវត្តិ Nature ត្រូវបានសហនិពន្ធដោយ Joonyoung Joung (បច្ចុប្បន្នជាជំនួយការសាស្រ្តាចារ្យនៅសាកលវិទ្យាល័យ Kookmin ប្រទេសកូរ៉េខាងត្បូង) អតីតវិស្វករផ្នែកទន់ Mun Hong Fong (ឥឡូវនេះនៅសាកលវិទ្យាល័យ Duke) និស្សិតបញ្ចប់ការសិក្សាផ្នែកវិស្វកម្មគីមី Nicholas Casetti អ្នកស្រាវជ្រាវក្រោយបណ្ឌិត Jordan Liles និស្សិតរូបវិទ្យា Ne Dassanor19 ដឹកនាំអ្នកនិពន្ធ និង នាយកដ្ឋានវិស្វកម្មគីមី និងនាយកដ្ឋាន វិទ្យាសាស្ត្រ និងវិស្វកម្មអគ្គិសនី។

ហេតុអ្វីបានជាការព្យាករណ៍ប្រតិកម្មមានសារៈសំខាន់?

Joung ពន្យល់ថា "ការទស្សន៍ទាយលទ្ធផលនៃប្រតិកម្មគឺជាកិច្ចការសំខាន់ណាស់។ ឧទាហរណ៍ ប្រសិនបើអ្នកចង់ផលិតថ្នាំថ្មី "អ្នកត្រូវដឹងពីរបៀបសំយោគវា។ វាទាមទារឱ្យដឹងថាផលិតផលណាដែលទំនងជាលេចឡើង" ពីសំណុំនៃសម្ភារៈចាប់ផ្តើម។

ការប៉ុនប៉ងពីមុនតែងតែសម្លឹងមើលតែទិន្នន័យបញ្ចូល និងលទ្ធផលប៉ុណ្ណោះ ដោយមិនអើពើនឹងជំហានកម្រិតមធ្យម និងឧបសគ្គខាងរូបវន្ត ដូចជាអសមត្ថភាពក្នុងការបង្កើត ឬបាត់បង់ម៉ាសតាមធម្មជាតិ។

Joung ចង្អុលបង្ហាញថាខណៈពេលដែល LLMs ដូចជា ChatGPT បានទទួលជោគជ័យខ្លះក្នុងការស្រាវជ្រាវ ពួកគេខ្វះយន្តការដើម្បីធានាថាលទ្ធផលរបស់ពួកគេអនុវត្តតាមច្បាប់នៃរូបវិទ្យា។ គាត់និយាយថា "ដោយមិនរក្សាទុក 'និមិត្តសញ្ញា' (ដែលតំណាងឱ្យអាតូម) LLMs នឹងបង្កើតឬបំផ្លាញអាតូមតាមអំពើចិត្ត។ "នេះគឺដូចជា alchemy ជាងវិទ្យាសាស្រ្ត" ។

ដំណោះស្រាយ FlowerER៖ ផ្អែកលើវេទិកាចាស់ អនុវត្តចំពោះបច្ចេកវិទ្យាថ្មី។

ដើម្បីយកឈ្នះលើបញ្ហានេះ ក្រុមការងារបានប្រើវិធីសាស្ត្រឆ្នាំ 1970 ដែលបង្កើតឡើងដោយអ្នកគីមីវិទ្យា Ivar Ugi - ម៉ាទ្រីស bond-electron - ដើម្បីតំណាងឱ្យអេឡិចត្រុងក្នុងប្រតិកម្ម។

ដោយផ្អែកលើនោះ ពួកគេបានបង្កើតកម្មវិធី FlowER (Flow matching for Electron Redistribution) ដែលអនុញ្ញាតឱ្យតាមដានលម្អិតអំពីចលនារបស់អេឡិចត្រុង ដោយធានាថាមិនមានអេឡិចត្រុងត្រូវបានបន្ថែម ឬបាត់បង់ដោយសិប្បនិម្មិតទេ។

ម៉ាទ្រីស​នេះ​ប្រើ​តម្លៃ​មិន​សូន្យ​ដើម្បី​តំណាង​ឱ្យ​ចំណង​ឬ​គូ​នៃ​អេឡិចត្រុង​សេរី ហើយ​សូន្យ​សម្រាប់​ផ្ទុយ។ Fong ពន្យល់ថា "នេះអនុញ្ញាតឱ្យយើងរក្សាទុកទាំងអាតូម និងអេឡិចត្រុង" ។ នេះគឺជាគន្លឹះក្នុងការបញ្ចូលការអភិរក្សដ៏ធំទៅក្នុងគំរូ។

ភស្តុតាងដើមដំបូង ប៉ុន្តែជោគជ័យ

យោងតាមលោក Coley ប្រព័ន្ធបច្ចុប្បន្នគ្រាន់តែជាការបង្ហាញមួយ ដែលជាភស្តុតាងនៃគំនិតដែលបង្ហាញពីវិធីសាស្ត្រ "ការផ្គូផ្គងលំហូរ" គឺសមល្អក្នុងការទស្សន៍ទាយប្រតិកម្មគីមី។

ទោះបីជាត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងទិន្នន័យពីប្រតិកម្មគីមីជាងមួយលាន (ប្រមូលពីការិយាល័យប៉ាតង់អាមេរិក) ក៏ដោយ មូលដ្ឋានទិន្នន័យនៅតែខ្វះលោហៈ និងប្រតិកម្មផ្អែកលើកាតាលីករ។

លោក Coley បាននិយាយថា "យើងមានការរំភើបដែលប្រព័ន្ធអាចព្យាករណ៍ទុកបាននូវយន្តការប្រតិកម្ម" ។ "វារក្សាម៉ាស វារក្សាទុកអេឡិចត្រុង ប៉ុន្តែវាពិតជាមានវិធីដើម្បីពង្រីក និងធ្វើអោយប្រសើរឡើងនូវភាពរឹងមាំនៅក្នុងប៉ុន្មានឆ្នាំខាងមុខនេះ"។

ឥឡូវនេះ ម៉ូដែលនេះមានជាសាធារណៈនៅលើ GitHub ។ Coley សង្ឃឹមថាវានឹងក្លាយជាឧបករណ៍ដ៏មានប្រយោជន៍សម្រាប់ការវាយតម្លៃប្រតិកម្ម និងការកសាងផែនទីឆ្លើយតប។

បើកប្រភពទិន្នន័យ និងសក្តានុពលកម្មវិធីធំទូលាយ

លោក Fong បាននិយាយថា "យើងបានធ្វើឱ្យអ្វីគ្រប់យ៉ាងជាសាធារណៈ - ពីគំរូ ទិន្នន័យ រហូតដល់សំណុំទិន្នន័យពីមុនដែលបង្កើតឡើងដោយ Joung ដែលរៀបរាប់លម្អិតអំពីជំហានមេកានិចដែលគេស្គាល់នៃប្រតិកម្ម" ។

យោងទៅតាមក្រុម FlowER អាចផ្គូផ្គងឬលើសពីវិធីសាស្រ្តដែលមានស្រាប់ក្នុងការស្វែងរកយន្តការស្តង់ដារ ខណៈពេលដែលការនិយាយទូទៅដល់ថ្នាក់នៃប្រតិកម្មដែលមើលមិនឃើញពីមុន។ កម្មវិធីសក្តានុពលមានចាប់ពីគីមីវិទ្យាឱសថ ការរកឃើញ សម្ភារៈ ការស្រាវជ្រាវអគ្គីភ័យ គីមីបរិយាកាស រហូតដល់ប្រព័ន្ធអេឡិចត្រូគីមី។

បើប្រៀបធៀបទៅនឹងប្រព័ន្ធផ្សេងទៀត លោក Coley កត់សម្គាល់ថា៖ "ជាមួយនឹងជម្រើសស្ថាបត្យកម្មដែលយើងប្រើ យើងសម្រេចបាននូវភាពជឿនលឿន quantum នៅក្នុងសុពលភាព និងសុចរិតភាព ខណៈពេលដែលរក្សា ឬកែលម្អភាពត្រឹមត្រូវបន្តិច។"

Coley និយាយ​ថា​អ្វី​ដែល​ប្លែក​នោះ​គឺ​ថា​គំរូ​នេះ​មិន "បង្កើត" យន្តការ​ទេ ប៉ុន្តែ​វា​ជា​ការ​សន្និដ្ឋាន​ដោយ​ផ្អែក​លើ​ទិន្នន័យ​ពិសោធន៍​ពី​អក្សរសិល្ប៍​ប៉ាតង់។ "យើង​កំពុង​ទាញយក​យន្តការ​ពី​ទិន្នន័យ​ពិសោធន៍—ជា​អ្វី​ដែល​មិន​ដែល​ត្រូវ​បាន​ធ្វើ និង​ចែករំលែក​ក្នុង​ទំហំ​នេះ​។"

ជំហានបន្ទាប់

ក្រុមការងារគ្រោងនឹងពង្រីកការយល់ដឹងរបស់គំរូអំពីលោហធាតុ និងវដ្តកាតាលីករ។ Coley សារភាពថា "យើងគ្រាន់តែកោសផ្ទៃ។

ក្នុង​រយៈពេល​វែង គាត់​ជឿ​ថា​ប្រព័ន្ធ​នេះ​អាច​ជួយ​រក​ឃើញ​ប្រតិកម្ម​ស្មុគ្រ​ស្មាញ​ថ្មី ព្រម​ទាំង​បញ្ចេញ​ពន្លឺ​លើ​យន្តការ​ដែល​មិន​ស្គាល់​ពីមុន​មក។ "សក្តានុពលរយៈពេលវែងគឺធំធេងណាស់ ប៉ុន្តែនេះគ្រាន់តែជាការចាប់ផ្តើមប៉ុណ្ណោះ"។

ការស្រាវជ្រាវនេះត្រូវបានគាំទ្រដោយ Machine Learning for Pharmaceutical Discovery and Synthesis consortium និង US National Science Foundation (NSF)។

(ប្រភព៖ MIT)

ប្រភព៖ https://vietnamnet.vn/moi-hinh-ai-moi-du-doan-phan-ung-hoa-hoc-chinh-xac-nho-bao-toan-khoi-luong-2444232.html