Российские исследователи разработали новый метод обучения систем искусственного интеллекта, которые анализируют фрагментарные научные наблюдения и ищут в них закономерности.
Это поможет учёным эффективнее обрабатывать метеорологические данные и результаты биологических экспериментов. Об этом сообщила пресс-служба Института искусственного интеллекта AIRI.
Во многих науках исследователи наблюдают за процессами не непрерывно, а только в отдельные моменты времени. Например, при изучении биологической клетки она часто разрушается, поэтому нельзя проследить за одной и той же клеткой в динамике. В итоге есть только данные о состоянии всей популяции в разные моменты времени. Эти разрозненные данные обычно объединяют с помощью математических методов, которые требуют больших вычислительных ресурсов, сообщает ТАСС.
Учёные из AIRI, «Сколтеха» и МФТИ предложили ИИ-алгоритм, который решает эту задачу эффективнее. Он сочетает классический математический подход JKO с идеями обратной оптимизации и позволяет обучать модель сразу целиком, используя только информацию о состояниях системы в отдельные моменты времени. Дополнительный плюс разработки — она не требует конкретных архитектур нейросетей и работает даже с простыми формами ИИ.
Метод успешно проверили на двумерных синтетических задачах и на реальных данных наблюдений за развитием эмбриональных стволовых клеток в течение 30 дней. Во всех случаях разработка оказалась сопоставима с существующими ИИ-подходами или превзошла их, при этом она заметно проще в обучении. Как пояснил руководитель группы «Основы генеративного ИИ» AIRI Александр Коротин, такой подход может быть полезен в метеорологии, эпидемиологии и других областях, где важно описывать динамику систем без возможности отслеживать каждый объект отдельно.
