电动汽车有潜力大幅减少碳排放，但汽车公司正面临制造电池的材料短缺。镍是一种关键组件，预计最早将于今年年底导致供应短缺。科学家最近发现了四种可能有所帮助的新材料——更令人感兴趣的可能是他们如何找到这些材料：研究人员依靠人工智能从 300 多种选项列表中挑选出有用的化学物质。而且他们不是唯一转向人工智能寻求科学灵感的人类。
提出假设长期以来一直是纯粹的人类领域。然而，现在科学家们开始要求机器学习产生原创见解。他们正在设计神经网络（一种机器学习设置，其结构灵感来自人脑），这些网络基于网络在数据中发现的模式而不是依赖人类假设来提出新的假设。许多领域可能很快就会转向机器学习的缪斯，试图加快科学进程并减少人类偏见。
在新型电池材料的案例中，从事此类任务的科学家通常依赖数据库搜索工具、建模以及他们自己对化学物质的直觉来挑选出有用的化合物。相反，英国利物浦大学的一个团队使用机器学习来简化创意过程。研究人员开发了一个神经网络，该网络根据化学组合产生有用新材料的可能性对其进行排名。然后，科学家们使用这些排名来指导他们在实验室进行的实验。他们确定了四种有希望的电池材料候选材料，而无需测试列表中的所有材料，从而节省了他们数月的试验和错误。
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
“这是一个很棒的工具，”利物浦大学的研究助理、上个月在《自然·通讯》杂志上发表的关于寻找电池材料的研究报告的合著者安德里·瓦西连科说。人工智能过程有助于识别值得关注的化学组合，他补充说，因此“我们可以更快地覆盖更多的化学空间。”
新材料的发现并不是机器学习可以为科学做出贡献的唯一领域。研究人员还在将神经网络应用于更大的技术和理论问题。苏黎世理论物理研究所的物理学家雷纳托·伦纳希望有一天能使用机器学习来开发关于宇宙如何运作的统一理论。但在人工智能能够揭示现实的真正本质之前，研究人员必须解决神经网络如何做出决策这一众所周知的难题。
深入了解机器学习的思想
在过去的 10 年里，机器学习已成为一种非常流行的工具，用于对大数据进行分类和进行预测。然而，解释其决策的逻辑基础可能非常困难。神经网络是由相互连接的节点构建的，这些节点模仿大脑的神经元，其结构随着信息的流动而变化。虽然这种自适应模型能够解决复杂的问题，但人类通常也无法解码其中涉及的逻辑。
这种缺乏透明度已被戏称为“黑匣子问题”，因为没有人能看到网络内部来解释其“思考”过程。这种不透明性不仅会削弱对结果的信任，还会限制神经网络对人类科学理解世界的贡献程度。
一些科学家正试图通过开发“可解释性技术”来使黑匣子透明化，这些技术试图为网络如何得出答案提供逐步解释。可能无法从复杂的机器学习模型中获得高水平的细节。但研究人员通常可以识别网络处理数据方式中的较大趋势，有时会导致令人惊讶的发现——例如谁最有可能患上癌症。
几年前，凯斯西储大学生物医学工程教授阿南特·马达布希使用了可解释性技术来了解为什么有些患者比其他患者更容易复发乳腺癌或前列腺癌。他将患者扫描结果输入神经网络，网络识别出那些癌症复发风险较高的人。然后，马达布希分析了网络，以找到确定患者再次患癌症概率的最重要特征。结果表明，腺体内部结构的紧密程度是最准确预测癌症复发可能性的因素。
“这不是一个先入为主的假设。我们不知道这一点，”马达布希说。“我们使用了一种方法来发现疾病的一个属性，结果证明这个属性很重要。”只有在人工智能得出结论后，他的团队才发现该结果也符合当前关于病理学的科学文献。神经网络尚无法解释为什么腺体结构的密度会导致癌症，但它仍然帮助马达布希和他的同事更好地了解肿瘤的生长进展，从而为未来的研究指明了新的方向。
当人工智能遇到瓶颈时
尽管窥探黑匣子可以帮助人类构建新的科学假设，但“我们还有很长的路要走，”爱荷华州立大学机械工程副教授苏米克·萨卡尔说。可解释性技术可以暗示机器学习过程中出现的关联，但它们无法证明因果关系或提供解释。它们仍然依赖主题专家从网络中得出意义。
机器学习也经常使用通过人类过程收集的数据——这可能导致它重现人类偏见。一个名为“惩教罪犯管理替代制裁分析”（COMPAS）的神经网络甚至被指责为种族主义。该网络已被用于预测被监禁人员的再犯罪可能性。ProPublica 的一项调查据称发现，该系统错误地将黑人标记为获释后几乎是白人两倍的可能性会再次触犯法律，这种情况发生在佛罗里达州的一个县。Equivant（前身为 Northpoint），创建 COMPAS 的刑事司法软件公司，反驳了 ProPublica 的分析，并声称其风险评估程序已被错误描述。
尽管存在这些问题，但苏黎世的物理学家伦纳仍然希望机器学习可以帮助人们从较少偏见的角度追求知识。神经网络可以启发人们以新的方式思考旧问题，他说。虽然网络还不能完全独立地提出假设，但它们可以给出提示，引导科学家们以不同的视角看待问题。
伦纳甚至尝试设计一个神经网络，它可以检查宇宙的真实本质。一个多世纪以来，物理学家一直无法调和宇宙的两种理论——量子理论和爱因斯坦的广义相对论。但伦纳希望机器学习能给他带来他需要的新视角，以弥合科学界对物质在非常小和非常大的尺度上如何运作的理解。
“如果我们以非常规的方式看待事物，我们才能在物理学上迈出巨大的步伐，”他说。目前，他正在用历史理论构建网络，让它体验人类如何思考宇宙的结构。在未来几年，他计划要求它对这个终极问题提出自己的答案。