Kun tekoäly löysi neulan heinäsuovasta – ja se maksoi vain 500 wattia

Kuvittele kirjasto, jossa on yli sata miljoonaa kirjaa. Tarvitset vain kuusi tietynlaista oppikirjaa. Ongelma? Jokainen yritys maksaa satoja euroja, kestää päiviä, ja osa kirjoista syttyy tuleen ennen kuin ehdit lukea ne.

Kuulostaa hauskalta? En minäkään usko.

Mutta juuri tällaisen haasteen Washington State-yliopiston tutkijat ratkaisivat – ja heillä oli tekoäly apuna.

Raketin metalli, joka vaatii huomiota

Tutustu GRCop-42:een. Se kuulostaa robottinimeltä, mutta kyseessä on kuparista, kromista ja niobiumista tehty seos. NASA kehitti sen, koska tavalliset metallit eivät kestäneet lämpöä. (Ja kyllä, tämä vitsi on tarkoituksellinen.)

Tätä metallia käytetään rakettimoottoreiden polttokammioissa. Lämpötilat ovat sellaisia, että tavallinen uuni kalpenee vierellä. GRCop-42 kestää极端 lämpöä JA siirtää sitä tehokkaasti pois, ettei raketti pala itsestään. Aika tärkeä ominaisuus.

Ongelma: tämän metallin tulostaminen 3D-tulostimella on vaikeaa. Oikeasti vaikeaa. Se vaatii tehokkaita lasereita ja valtavasti energiaa – laitteita, joita vain suurimmat yritykset ja tutkimuslaboratoriot omistavat.

Yhdeksänkymmentä prosenttia kaupallisista 3D-tulostimista? Ei pysty. Ei ole tarpeeksi tehoa.

Ainakin toistaiseksi.

"Kokeile kaikkea" -strategia ei toiminut

Ennen tekoälyn taikaa puhutaan siitä, miksi tämä oli niin pirun vaikeaa.

Metallin 3D-tulostamiseen pitää säätää täydelliset asetukset: laserin teho, nopeus, lämpötila ja vaikka mitä muuta. Yksi virhe, ja tulostus joko epäonnistuu tai sulaa lammikoksi.

Perinteinen lähestymistapa? Kokeile jonkin verran yhdistelmiä kunnes jotain toimii.

Se kuulostaa järkevältä, kunnes tajuat, että vaihtoehtoja oli yli sata miljoonaa. Jokainen yritys maksoi satoja euroja, vei aikaa ja vaati huolellista tulosten analysointia. Jos kokeilisit yhtä yhdistelmää joka päivä, hommaan menisi 274 000 vuotta. Ei kovin käytännöllistä.

"Joskus jokin tietty asetelma tuotti tulostuksen, joka vain sulaa", sanoo Azza Fadhel, projektissa työskennellyt tohtoriopiskelija. "Se ei ollut oikeastaan tulostettavissa, eikä rahalla ja ajalla voitu testata kaikkia sataa miljoonaa vaihtoehtoa."

Tuskaa.

Tekoäly astuu kuvaan

Tässä tutkijat olivat fiksuja. Sen sijaan että olisivat arponeet sokkopalossa, he rakensivat tekoälyjärjestelmän, joka oppi jokaisesta kokeesta – myös epäonnistuneista.

Ajattele asiaa näin: etsit täydellistä reseptiä, mutta tekoäly ei seuraa jokaista askelta sokeasti. Se katsoo mitä tapahtuu kun säädät kutakin ainesosaa. Se alkaa ymmärtää, mitkä yhdistelmät toimivat ja mitkä eivät.

Tutkijat aloittivat vain 37 epäonnistuneella asetelmalla. Ei valtava määrä dataa, mutta tarpeeksi tekoälylle aloittaakseen arvailut.

Sitten tekoäly ehdotti pieniä ryhmiä uusia asetuksia kokeiltavaksi. Tässä tulee se nokkela osa: se tasapainotti kahta asiaa. Joskus se valitsi asetuksia, jotka näyttivät todennäköisimmiltä toimia oppimansa perusteella. Mutta välillä se valitsi asetuksia, joista se ei ollut varma – koska ne "hatusta vedetyt" kokeet saattoivat opettaa sille jotain uutta ja tehdä koko mallista älykkäämmän.

"He antoivat minulle tulokset takaisin, ja pidin niistä kaikista – vaikka ne epäonnistuivat – koska jokainen tulos paransi tekoälymalliamme", Fadhel sanoo.

Kaunis tapa ajatella epäonnistumista, oikeastaan.

Loppuhuipennus: Kuusi voittajaa

Vain 40 kokeen ja kolmen kuukauden jälkeen tekoäly löysi kuusi toimivaa asetelmaa eri laserin tehotasoilla. Yksi niistä tulosti GRCop-42:ta vain 500 watin laserilla – ensimmäinen kerta tälle seokselle.

Kuusi onnistumista 40 yrityksestä ei ehkä kuulosta mullistavalta. Mutta muista: etsimme sataa miljoonaa vaihtoehtoa, joissa onnistuneet yhdistelmät ovat äärimmäisen harvinaisia. Se on kuin löytäisi kuusi neulaa heinäsuovasta, joka on maan laajuinen – ja tekisi sen koskematta heiniin juuri ollenkaan.

Ja tässä se todella jännittävä osa: nämä onnistuneet asetelmat olivat matalammilla tehotasoilla. Se tarkoittaa, että ne sopivat niille kaupallisille 3D-tulostimille, jotka eivät pystyneet käsittelemään seosta aiemmin. Ne 90 prosenttia, jotka eivät voineet tulostaa sitä? Ehkä nyt voivat.

Miksi tällä on väliä rakettien ulkopuolella

Olen avaruusnörtti, joten rakettien tulostaminen on jo itsessään jännittävää. Mutta tutkijat eivät aio pysähtyä siihen.

Tämä tekoälylähestymistapa voisi auttaa kaikenlaisissa muissa monimutkaisissa ongelmissa, joissa on miljoonia testattavia vaihtoehtoja – esimerkiksi lääkekehityksessä, jossa tutkijat etsivät oikeita molekyyliyhdistelmiä tautien hoitoon.

Sama logiikka pätee: sen sijaan että kävisi läpi jokaista vaihtoehtoa väkisin, tekoäly auttaa etsimään fiksummin. Kyse ei ole ihmisen luovuuden korvaamisesta. Kyse on siitä, että tutkijoille annetaan parempi kompassi valtavien ja hämmentävien maisemien tutkimiseen.

"Koska yhdeksänkymmentä prosenttia kaupallisista tulostimista ei pysty tulostamaan tätä seosta, ja koska löysimme nämä toimivat prosessiparametrit, käytännössä demokratisoimme tämän seoksen tulostamisen", sanoo Jana Doppa, tutkimuksen johtaja.

Tuo sana "demokratisoiminen" tekee tässä paljon töitä. Kun vain jättiläisorganisaatiot miljoonien eurojen laitteistoilla voivat valmistaa jotain, innovaatio hidastuu. Kun pienemmät laboratoriot, yliopistot ja startupit pääsevät käsiksi samoihin materiaaleihin? Yhtäkkiä on paljon enemmän aivoja ratkomassa ongelmaa.

Oma mielipiteeni

Rakastan tätä tarinaa, koska se näyttää tekoälyn parhaimmillaan: ei maagisena korvaajana ihmisen työlle, vaan tehokkaana työkaluna, joka oikeasti tehostaa ihmisen työtä.

Tutkijat eivät vain "antaneet tekoälyn tehdä sitä". He yhdistivät oman alan asiantuntemuksensa tekoälyn kykyyn etsiä tehokkaasti valtavilta aloilta. He ymmärsivät, että epäonnistuneetkin kokeet olivat arvokkaita. He tiesivät mitä kysymyksiä esittää.

Tämä on tekoälyn tulevaisuus tieteessä, uskon: ei robotteja korvaamassa laboratorioita, vaan fiksuja kumppanuuksia, joissa koneet hoitavat älyttömät yhdistelmämäärät ja ihmiset keskittyvät luovaan, tulkinnalliseen työhön, joka oikeasti vaatii aivoja.

Nyt haluan vain tietää: mikä on seuraava satamiljoonainen ongelma, joka odottaa ratkaisijaansa?

Lähde: ScienceDaily