Ein Forschungsteam bei Google unter der Leitung von Michael Brenner , Catalyst Professor für Angewandte Mathematik und Physik an der Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) und Google-Wissenschaftler, hat ein neues System für künstliche Intelligenz entwickelt, das automatisch wissenschaftliche Softwareprogramme schreiben kann, die die Leistung von von Menschen geschriebenen Programmen übertreffen.
Das in Nature veröffentlichte System trägt den Namen Empirical Research Assistance (ERA) und wurde von Brenner und Shibl Mourad von Google DeepMind gemeinsam geleitet. Die Harvard-Doktoranden Qian-Ze Zhu, Ryan Krueger und Sarah Martinson wirkten als studentische Forscher von Google in Brenners Arbeitsgruppe mit. Die Forschung erfolgte in Brenners Funktion als Catalyst Professor, einer von der Universität eingerichteten Position zur Stärkung der Beziehungen zwischen Wissenschaft und Wirtschaft, indem hochrangige Dozenten bei Forschungstätigkeiten in externen Unternehmen unterstützt werden.
In der modernen Wissenschaft wird ständig maßgeschneiderte Software eingesetzt, um spezifische Hypothesen zu testen oder komplexe Daten zu interpretieren. Die Autoren bezeichnen diese Art von Computerprogramm als „empirische Software“ – ein Programm, dessen einziger Zweck darin besteht, die Leistung bei einer wissenschaftlichen Aufgabe zu maximieren, beispielsweise bei Wettervorhersagen oder der Prognose von Krankenhauseinweisungen während eines Krankheitsausbruchs. Jedes Problem, das sich als numerischer Wert – seine „Punktzahl“ – ausdrücken lässt, wird als bewertbare Aufgabe bezeichnet.
Empirische Software zur Lösung solcher auswertbarer Aufgaben bildet die Grundlage für bedeutende Fortschritte in vielen Bereichen, darunter drei jüngste Chemie-Nobelpreise. Die spezialisierte, maßgeschneiderte Software für diese Experimente ist jedoch arbeitsintensiv und erfordert wiederholtes Testen und Optimieren des Codes durch einen Menschen.
Das neue ERA-System beseitigt diesen Engpass, indem es im Wesentlichen den gesamten Zyklus der Entwicklung und Verfeinerung wissenschaftlicher Software automatisiert – ein Prozess, der von menschlichen Experten normalerweise Monate oder sogar Jahre dauern kann.
Das System kombinierte das große Sprachmodell Google Gemini mit einer Suchstrategie, um Tausende von Codefragmenten zu durchsuchen und zu verfeinern – weitaus schneller und umfassender, als es ein Mensch könnte.
Ausgehend von einem Basiscode, der auf ein spezifisches Problem abzielt, schlägt das neue KI-System Modifikationen vor, indem es neue Komponenten hinzufügt oder Algorithmen austauscht, um einen vordefinierten Qualitätsfaktor zu verbessern – beispielsweise: Wie genau kann dieses Modell die Ausbreitung einer Krankheit anhand vergangener Krankenhausaufnahmen vorhersagen? Wie gut kann dieses Modell die Form von Proteinen anhand dieser Aminosäuresequenzen vorhersagen?
Das System verwendet eine Methode namens Baumsuche – die auch in Spielsystemen wie AlphaGo eingesetzt wird – um zu entscheiden, welche vielversprechenden Ideen weiterverfolgt und welche verworfen werden sollen, um bei der Aufgabe, Krankenhausaufenthaltszahlen, Proteinformen usw. vorherzusagen, besser zu werden.
Die KI arbeitet nicht isoliert. Sie kann sich dabei an Forschungsideen aus wissenschaftlichen Artikeln oder Lehrbüchern orientieren. Diese Ideen können direkt von einem Nutzer bereitgestellt oder automatisch abgerufen und in spätere Codeversionen integriert werden.
Um dies zu beweisen, wandte das Team von Harvard und Google das ERA-System auf verschiedene wissenschaftliche Fragestellungen an. Zhus Aufgabe in dem Projekt bestand darin, mithilfe von ERA die Aktivität von über 70.000 Neuronen im Gehirn eines Zebrafisches vorherzusagen und diese mit tatsächlichen neuronalen Daten zu vergleichen.
In einem Experiment forderte das Team ERA auf, eine bestehende Bibliothek zur Neuronenmodellierung zu nutzen, um physikalisch genauere Simulationen neuronaler Aktivität zu erstellen. Für Zhu hätte das Erlernen einer neuen Software Wochen oder Monate gedauert, doch ERA konnte die Modelle automatisch zusammenstellen und optimieren.
