A koronavírus-járvány bebizonyította, hogy egyre égetőbb szükségünk van az orvostudomány gyorsabb és pontosabb működésére. Csakhogy amíg a pandémia előbb-utóbb eltűnik, az olyan komoly problémák, mint a klímaváltozás, megmaradnak - mondta előadásában Dr. Flaviu Cipcigan fizikus, az IBM európai divíziójának egyik vezető kutatója.

A szakértő a mesterséges intelligencia, a szuperszámítógépek és a kvantumszámítógépek tudományos felfedezésekben betöltött szerepéről beszélt előadásában. A tudomány hajnalán jellemzően szerencsés véletlenek vezettek a felfedezésekhez, amiket csak lassan, próbálgatásokkal és folyamatos kudarcokkal lehetett bizonyítani.

Az őseink például így tanulták meg, hogyan gyártsanak betont

- mondta a kutató, hozzátéve, hogy idővel ez a folyamat sokkal tudományosabbá vált. "Az emberek kutattak, kérdéseket tettek fel, hipotézist alkottak, és megpróbálták azt bebizonyítani vagy cáfolni kísérletek segítségével. Megfigyeltek, megmértek, és megpróbálták megismételni az eredményeket. Ha szükségük volt rá, módosították a hipotézist, majd újrakezdték a folyamatot." Ez jellemzően évekig tarthatott, és nagyon drága kutatásokat hozott magával.

A megfigyelésen alapuló, majd az elméleti tudomány után persze teret nyert a számítógépes tudomány, ahol már szimulációk és matematikai adatok is segítették a kutatók munkáját. Ez az 1950-es években lett a módszertan fő iránya. A 2000-es években aztán megjelent a big data, amit mesterséges intelligenciával, gépi tanulással, vizualizációkkal lehet jellemezni. A 2020-as évek pedig jó eséllyel elhozza a felgyorsult felfedezések korát: Cipcigan szerint a szuperszámítógépek és később a kvantumszámítógépek olyan szintű gyorsulást eredményeznek, hogy a tudomány számos területén a többéves fejlesztések hónapokra rövidülnek le.

Kapcsolódó

Itt a megoldás, amivel közelebb kerültünk a rák gyógyításához

Tavaly 9,6 millióan haltak meg rákban, a gyógyszerfejlesztés egyelőre nem elég hatékony. Ez azonban a PaccMannel változhat.

"A felgyorsult tudományos felfedezés módszerei segíthetnek a hagyományos módszerek lineáris folyamatából zárt hurkot csinálni" - mondta a kutató. "Hogy ez mit jelent? Képzeljük el, hogy olyan új anyagot akarunk létrehozni, ami segít a légkörből kivonni a szén-dioxidot, és szeretnénk, ha ez az anyag specifikus tulajdonságokkal bírna: legyen strapabíró, képes legyen nagy mennyiségű szén-dioxidot megkötni. Azzal kezdjük, hogy megfogalmazzuk ezeket a kívánalmakat, majd mesterséges intelligencia segítségével átnézzük a már rendelkezésre álló tudást a témában. Így egy tudásbázist hozunk létre."

A következő lépés a magas teljesítményű számítógépek használata, amiket a jövőben kvantumszámítógépekre cserélünk.

"Ezek a gépek összevetik a tudásbázist a fontos molekuláris tulajdonságokkal. Így sikerülhet olyan molekulákat létrehozni, amik eddig nem szerepeltek az ismert megoldások között, de megfelelhetnek a szempontjainknak. A gépek új molekulákat generálnak, amik korábban ismert kémiai reakciókon alapulnak. A folyamat új tudást eredményez, ami újabb és újabb kérdéseket vet fel, így a körforgás újraindul, ismét a hurok elején vagyunk."

Getty Images

A szakértő két területet, a gyógyszerfejlesztést és a klímaváltozás elleni küzdelmet emelte ki, amik korunk legnagyobb problémái közé tartoznak. Az antibiotikum-rezisztens baktériumok megjelenése például új kihívások elé állította a gyógyszeripart: olyan antibiotikumokat kell létrehozni, amik ezekre a kórokozókra is hatnak. A gyógyszerfejlesztés viszont rendszerint egy hosszú folyamat, ezt segíthet felgyorsítani a mesterséges intelligencia, és az úgynevezett generatív modellek.

A gyógyszergyártásban ezek sok területen segíthetnek: a mesterséges intelligencia használatával először a már meglévő tanulmányokból, tudományos információkból létrehozott tudásbázis alakulhat ki, sokkal gyorsabban, mintha nem gépek, hanem emberek végeznék a munkát.

Míg egy gép képes másodpercenként 20 tanulmányt átvizsgálni, addig az embernek oldalanként 1-2 percre van szüksége. Akár ezerszer gyorsabb is lehet a munka a mesterséges intelligencia használatával

- mondta Cipcigan. Ezután következik a mesterséges intelligenciás szimuláció, majd a titok igazi nyitja: a generatív modellek. Ezek olyan lehetséges modellek, amelyeket gépek hoznak létre a korábban fellelhető információk alapján - az eddigi diszkriminatív modellek helyett nem választáson alapuló módszert használnak, hanem teljesen újat alkotnak.

A szakértő beszámolt egy tanulmányukról is, amiben két olyan peptid született, amiket 9000 megalkotott antimikrobiális jelölt közül választott ki a mesterséges intelligencia. A gépek 10 ezer szimulációt futtattak végig. Cipcigan elmondta: bár a kutatásaik során a technológiát fejlesztik, ezért az általuk végzett folyamat lassabb, de a jövőben évek helyett akár hónapokra redukálódhat az új gyógyszerek fejlesztése. Minden attól függ, a gépeknek hányszor kell végig menni a korábban említett zárt hurkos módszeren. A szakértő azt is feltételezi, hogy a fejlesztési idő lerövidülésével a költségek is alacsonyabbak lesznek, mint a mostani megoldások esetében.

A módszer ugyanakkor remekül használható a korábban említett, a klímavédelem szempontjából fontos széndixoid-megkötéses technológiáknál is, hiszen ez esetben olyan anyagokat generálhat a gép, amik megfelelő minőségben és mennyiségben képesek magukba szívni a légkörben található szennyezőanyagokat.


ÉRTÉKELD A MUNKÁNKAT EGY LÁJKKAL, ÉS OSZD MEG MÁSOKKAL IS! KÖSZÖNJÜK!