Mientras ChatGPT se ocupa de palabras y oraciones, la IA del equipo aprenderá de datos numéricos y simulaciones físicas de todos los campos científicos, para ayudar a las personas científicas a modelar todo, desde estrellas supergigantes hasta el clima de la Tierra. 

El equipo lanzó la iniciativa, llamada "Polymathic AI", a principios de esta semana, junto con la publicación de una serie de artículos relacionados en el repositorio de acceso abierto arXiv . 

“Esto cambiará completamente la forma en que las personas usan la IA y el aprendizaje automático en la ciencia”, dijo la investigadora principal de "Polymathic AI", Shirley Ho, líder de grupo en el Centro de Astrofísica Computacional del Instituto Flatiron en la ciudad de Nueva York.  

La idea detrás de Polymathic AI “es similar a cómo es más fácil aprender un nuevo idioma cuando ya sabes cinco idiomas”, dijo Ho. 

Comenzar con un modelo grande previamente entrenado, conocido como modelo básico, puede ser más rápido y más preciso que construir un modelo científico desde cero. Esto puede ser cierto incluso si los datos de entrenamiento no son obviamente relevantes para el problema en cuestión. 

“Ha sido difícil llevar a cabo investigaciones académicas sobre modelos básicos a gran escala debido a la escala (sic) de potencia informática requerida”, dijo el coinvestigador Miles Cranmer, del Departamento de Matemáticas Aplicadas y Física Teórica y del Instituto de Astronomía de Cambridge.  

Agrega que “nuestra colaboración con la Fundación Simons nos ha proporcionado recursos únicos para comenzar a crear prototipos de estos modelos para su uso en ciencia básica, a partir de los cuales los investigadores (as) de todo el mundo podrán construir; es emocionante”. 

“La IA polimática puede mostrarnos puntos en común y conexiones entre diferentes campos que podrían haberse pasado por alto”, dijo el coinvestigador Siavash Golkar, investigador invitado en el Centro de Astrofísica Computacional del Instituto Flatiron.  

“En siglos anteriores, algunos de los científicos (as) más influyentes eran eruditos (as) con un amplio conocimiento de diferentes campos. Esto les permitió ver conexiones que les ayudaron a inspirarse para su trabajo. A medida que cada dominio científico se vuelve cada vez más especializado, es cada vez es más difícil mantenerse a la vanguardia de múltiples campos. Creo que este es un lugar donde la IA puede ayudarnos agregando información de muchas disciplinas”. 

El equipo de "Polymathic AI" incluye investigadores (as) de la Fundación Simons y su Instituto Flatiron, la Universidad de Nueva York, la Universidad de Cambridge, la Universidad de Princeton y el Laboratorio Nacional Lawrence Berkeley. El equipo incluye expertos en física, astrofísica, matemáticas, inteligencia artificial y neurociencia. 

Ellos (as) han utilizado herramientas de inteligencia artificial antes, pero principalmente han sido construidas y entrenadas específicamente utilizando datos relevantes. 

“A pesar del rápido progreso del aprendizaje automático en los últimos años en diversos campos científicos, en casi todos los casos, las soluciones de aprendizaje automático se desarrollan para casos específicos de uso  y se entrenan en algunos datos muy específicos”, dijo el coinvestigador François Lanusse, cosmólogo del Centre National de la Recherche Scientifique (CNRS) de Francia. 

“Esto crea fronteras tanto dentro como entre disciplinas, lo que significa que los (as) científicos (as) que utilizan la IA para sus investigaciones no se benefician de información que pueda existir en un formato diferente o en un campo completamente diferente”. 

El proyecto de "Polymathic AI" aprenderá utilizando datos de diversas fuentes de la física y la astrofísica (y eventualmente campos como la química y la genómica, dicen el equipo que los creó) y aplicará ese conocimiento multidisciplinario a una amplia gama de problemas científicos. 

El proyecto “conectará muchos subcampos aparentemente dispares en algo mayor que la suma de sus partes”, dijo Mariel Pettee, miembro del proyecto, investigadora postdoctoral en el Laboratorio Nacional Lawrence Berkeley. 

“No está claro hasta dónde podemos dar estos saltos entre disciplinas”, dijo Ho. “Eso es lo que queremos hacer: intentar que esto suceda”. 

ChatGPT tiene limitaciones bien conocidas en lo que respecta a la precisión (por ejemplo, el chatbot dice 2.023 por 1.234 es 2.497.582 en lugar de la respuesta correcta de 2.496.382). El proyecto de Polymathic AI evitará muchos de esos obstáculos, dijo Ho, al tratar los números como números reales, no solo como caracteres del mismo nivel que las letras y la puntuación. Los datos de entrenamiento también utilizarán conjuntos de datos científicos reales que capturan la física subyacente al cosmos. 

La transparencia y la apertura son una gran parte del proyecto, afirmó Ho. “Queremos hacer todo público. Queremos democratizar la IA para la ciencia de tal manera que, en unos años, podamos ofrecer a la comunidad un modelo previamente entrenado que pueda ayudar a mejorar los análisis científicos en una amplia gama de países, variedad de problemas y dominios.”