Na Fakultetu elektrotehnike i računarstva (FER) Sveučilišta u Zagrebu 10. prosinca, na dan dodjele Nobelovih nagrada za 2024. godinu, održano je znanstveno-popularno predavanje "Nobel u Zagrebu". Predavanje je bilo usmjereno na ulogu dubokog učenja u otkrićima koja su obilježila ovogodišnje nagrade za fiziku i kemiju, a održali su ga istaknuti stručnjaci u tim područjima.
Podsjetimo, ovogodišnji su dobitnici Nobela za kemiju Demis Hassabis i John Jumper te David Baker, dok su nagradu za fiziku dobili Geoffrey Hinton i John Hopfield. Nas je zanimalo da nam znanstvenici koji su održali predavanje pred brojnim auditorijem dvorane D2 na FER-u objasne kako je umjetna inteligencija utjecala i na Nobela iz fizike i na onaj iz kemije zato što je ona i bila razlogom za obje nagrade. U uvodu je prof. dr. sc. Siniša Šegvić s FER-a publici ukratko opisao osnove dubokog učenja i postavio ga u suvremeni kontekst s dosadašnjim dostignućima i primjenama te otkrio najčešće zablude i dvojbe tog područja. Od zabluda o umjetnoj inteligenciji posebno su zanimljive one da su duboki modeli učenja zapravo "crne kutije" i da će takvi modeli zavladati čovječanstvom. Profesor Šegvić je rekao da interpretabilnost dubokih modela postoji iako nije savršena, a misli da će se s vremenom situacija dodatno popraviti. Što se tiče bojazni od scenarija kao u filmu "Terminator", rekao je da takvi modeli nemaju neku unutarnju potrebu za dominacijom te je okrivio ljudsku potrebu za senzacionalizmom u potenciranju takvog narativa.
Dr. sc. Anja Barešić s Instituta "Ruđer Bošković" osvrnula se na kontroverze koje su popratile razvoj i objavu modela za koji je dodijeljena nagrada AlphaFoldu: nedostatak transparentnosti tijekom samog istraživanja tipičnog za neakademske autore te recentnost samog istraživanja 2020. godine zbog kojega se može govoriti jedino o potencijalu takvih metoda za primjenu u razvoju lijekova i medicini, dok će se opravdanost tog potencijala tek pokazati u idućim godinama ili desetljećima.
– Nobelova nagrada za kemiju ove je godine dodijeljena za rješavanje problema smatanja proteina u trodimenzionalnu strukturu. Prvu polovicu Nobelove nagrade podijelili su članovi Googleova DeepMinda za model AlphaFold2 koji je 2020. uvjerljivo pobijedio na natjecanju predviđanja strukture do tada sve postojeće algoritme s tolikim napretkom u performansama da se danas taj problem smatra računalno riješenim. Druga polovica nagrade dodijeljena je prof. Davidu Bakeru za istraživanja na polju predviđanja strukture, a ponajviše za konstrukciju potpuno novih, sintetskih proteina s primjenom u razvoju lijekova, cjepiva te s ulogom molekularnih motora, minijaturnih senzora i nanočestica – rekla je dr. Barešić, koja je istaknula i kako u nagradi za Bakera ima razlike jer demonstrira da njegova otkrića imaju dokazivu uporabnu vrijednost.
Naime, proteini se općenito sastoje od 20 različitih aminokiselina, koje se mogu opisati kao gradivni blokovi života. David Baker uspio je 2003. godine upotrijebiti te blokove za dizajn novog proteina koji nije nalik nijednom drugom proteinu. Od tada je njegova istraživačka skupina proizvela jednu za drugom maštovite kreacije proteina, uključujući proteine koji se mogu koristiti kao lijekovi, cjepiva, nanomaterijali i sićušni senzori.
Dr. Barešić objasnila je kako je AlphaFold pokazao apsolutnu dominaciju u predviđanju smatanja proteina u trodimenzionalnu strukturu na natjecanju 2018. te 2020. godine, ovaj put u verziji AlphaFold2, za koju je i dodijeljena Nobelova nagrada.
– Napredak u uspjehu predviđanja rezultat je vrlo domišljatog definiranja fizičkih svojstava poznatih struktura na kojima je model učio, u kombinaciji s informacijama o evoluciji samog aminokiselinskog sastava tih proteina. Glavni je trik posuđen iz recentnih modela procesiranja prirodnog jezika, koji je uz gotovo neograničen pristup resursima koje su istraživači Google DeepMinda imali na raspolaganju doveo do performansi kojima su pomeli dotadašnju konkurenciju – kaže naša znanstvenica. Nastavila je kako je model objavljen 2020. godine u međuvremenu primijenjen na razna istraživačka pitanja: predvidio je potencijalni novi antibiotik, još neke lijekove i nove mehanizme razvoja raznih bolesti. No unatoč velikom potencijalu, godine pred nama tek će pokazati koliko je taj potencijal ostvariv. Naime, model je u stvari kreator znanstvenih hipoteza koje se tek po dokazivanju u eksperimentima, koji traju i do deset godina, potvrđuju ili opovrgavaju. Nobelovu nagradu za fiziku pojasnio je prof. dr. sc. Davor Horvatić s Prirodoslovno-matematičkog fakulteta Sveučilišta u Zagrebu.
– Ovogodišnja Nobelova nagrada za fiziku dodijeljena je pionirima umjetne inteligencije, Geoffreyu Hintonu i Johnu Hopfieldu, čiji rad temeljen na statističkoj fizici povezuje fizikalne principe s razvojem neuronskih mreža. Tema je pobudila veliko zanimanje publike jer se ne radi o toliko poznatom utjecaju fizike na druge discipline. Hopfieldova mreža i Boltzmannovi strojevi, ključni modeli neuronskih mreža, omogućili su značajne iskorake u umjetnoj inteligenciji koristeći koncepte poput Isingova modela i Boltzmannove distribucije. U predavanju je naglašen velik potencijal i doseg fizikalnih modela u opisu svijeta, što se posebno vidi u radu ovogodišnjih laureata. Njihov interdisciplinarni pristup pokazuje kako se fizika može primijeniti za rješavanje kompleksnih problema u različitim znanostima i tehnologijama, kazao je prof. Horvatić. Rekao je da statistička fizika, koja je u temelju ove Nobelove nagrade, proučava kako kolektivno ponašanje sustava proizlazi iz interakcija pojedinačnih elemenata, što je slično funkcioniranju neuronskih mreža, posebno dubokih neuronskih mreža.
– Ključno je da imamo veći broj jedinki i međudjelovanje među njima. Na primjer, Isingov model, koji opisuje interakcije između atoma s dva moguća stanja (spinovi), inspirirao je Hopfieldovu mrežu, dok Boltzmannova distribucija, koja opisuje raspodjelu čestica po energetskim razinama, predstavlja osnovu Boltzmannovih strojeva. Isingov će model u statističkoj fizici modelirati magnetizaciju materijala, spin (kojim se daje globalni efekt magneta i smjer magnetskog polja koje magnet proizvodi) orijentirat će se ovisno o smjeru spina susjednih atoma. U slučaju Hopfieldove mreže isti princip određivat će je li neuron aktivan ili neaktivan. Ovi fizikalni koncepti omogućuju neuronskim mrežama da uče prepoznavati obrasce kroz procese poput minimizacije energije, što je ključ za njihovu primjenu u umjetnoj inteligenciji. Velik je potencijal i doseg fizikalnih modela u opisu svijeta, što se posebno vidi u radu ovogodišnjih laureata. Njihov interdisciplinarni pristup pokazuje kako se fizika može primijeniti za rješavanje kompleksnih problema u različitim znanostima. Jedinke koje međudjeluju ne moraju biti neuroni, mogu biti npr. vrijednosti dionica, biračko tijelo, automobili na cesti itd. Svi ti sustavi do sada su modelirani fizikalnim modelima u okviru statističke fizike – kazao je prof. Horvatić.
GALERIJA Robotski pas može spašavati, ići na opasna mjesta... Ima razne primjene, a radi se po narudžbi
