N.B. Het kan zijn dat elementen ontbreken aan deze printversie.
Wetenschap AI-programma AlphaFold loste in 2022 een fundamenteel biologisch probleem op. Wanneer gaat AI zelf een wetenschappelijke ontdekking doen en deze glashelder en geduldig uitleggen?
Toen de Oostenrijkse natuurkundige Mario Krenn in 2016 promotieonderzoek deed bij een van de bekendste quantumfysici ter wereld, Anton Zeilinger (Nobelprijswinnaar natuurkunde in 2022), wilden ze bepaalde nieuwe quantummechanische toestanden in het laboratorium creëren. Maar wat ze ook probeerden, ze konden geen geschikte methoden verzinnen. Ze trokken de conclusie dat hun intuïtie hen in de weg zat, juist omdat de quantummechanica zelf vol zit met tegenintuïtieve fenomenen. Licht dat zich de ene keer gedraagt als een golf en de andere keer als een deeltje; of deeltjes die op afstand toch met elkaar verstrengeld zijn… dat soort onbegrijpelijke dingen.
Ingehaald door de toekomst van kunstmatige intelligentie
Als de menselijke intuïtie faalt, dan is het misschien beter om een computer, die weliswaar niet de voordelen maar ook niet de nadelen heeft van die intuïtie, naar oplossingen te laten zoeken, bedacht Krenn. Hij schreef een kunstmatig intelligent computerprogramma, Melvin genaamd, trainde het eerst op eenvoudigere quantumsystemen en liet het vervolgens complexere experimentele opzetten voorstellen. Al snel genereerde Melvin een volkomen tegenintuïtief idee, dat menselijke natuurkundigen niet zouden bedenken, maar een paar jaar later wel echt bleek te werken in het laboratorium.
„We wisten Melvins oplossing te generaliseren tot een algemeen concept voor een nieuw type quantummechanische verstrengeling”, vertelt Krenn in een interview. „We publiceerden de resultaten in Physical Review Letters, maar het interessante was dat geen van de auteurs het kernidee had bedacht, want dat kwam van Melvin, de computer. In het nawoord hebben we Melvin bedankt voor het analyseren van honderden miljoenen experimenten.”
Dit is een perfect voorbeeld van hoe kunstmatige intelligentie (AI) menselijke wetenschappers inspireert tot het doen van nieuwe ontdekkingen, een van de manieren waarop AI het wetenschappelijke proces versnelt en verbetert. Het verhaal van Krenn lijkt sterk op wat er in datzelfde jaar 2016 gebeurde in de wereld van het bordspel go. In de tweede partij tussen go-computer AlphaGo en een van de beste go-spelers aller tijden, de Zuid-Koreaan Lee Sedol, deed de computer een zet, zet 37, die geen mens ooit zou spelen, maar die uiteindelijk geniaal bleek en het go-spel heeft verrijkt. Zet 37 staat nu bekend als ‘de goddelijke zet’. Af en toe ontdekt de computer een interessant patroon dat mensen nooit eerder hebben gezien en dat een schot in de roos blijkt.
Inmiddels zijn we zeven jaar verder en in december 2022 concludeerde het hoofdredactioneel van het tijdschrift Nature Review Physics dat AI, en met name machinaal leren, standaard gereedschap is geworden in alle aspecten van natuurkundig onderzoek: van het doen en bedenken van experimenten tot het verzamelen en analyseren van data, en zelfs in theorievorming. In de biologie heeft het AI-programma AlphaFold in de afgelopen paar jaar het meer dan een halve eeuw oude fundamentele probleem hoe een eiwit zich vouwt zo goed als opgelost. Hoe lang duurt het dan nog voordat een computer de nieuwe Einstein is?
Ons idee is dat we met AI als gereedschap veel sneller veelbelovende moleculen kunnen vinden
Max Welling hoogleraar machinaal leren
Na zijn ontdekking was Krenn ervan overtuigd dat AI een grote rol zou gaan spelen in de natuurwetenschappen. Hij ging zich volledig toeleggen op het gebruik van AI in de natuurkunde en is inmiddels groepsleider van het Artificial Scientist Lab van het Max Planck Institute for the Science of Light in het Duitse Erlangen. „Ik wil het universum begrijpen en ik wil computers gebruiken om nieuwe natuurkunde te ontdekken,” zegt hij nu over zijn missie. Vorig jaar publiceerde hij in Nature Review Physics een overzicht van hoe AI conceptuele bijdragen kan leveren in de natuurwetenschappen.
Voor het artikel benaderden Krenn en zijn co-auteurs ongeveer honderd computationeel natuurkundigen, chemici en biologen met de vraag hoe zij conceptueel nieuwe ideeën kregen van AI-systemen en hoe ze de toekomstige samenwerking met AI voor zich zagen. Dat leidde tot een keur aan voorbeelden en een indeling in drie typen AI-systemen die kunnen bijdragen aan wetenschappelijk begrip, vertelt Krenn. „Het eerste type is AI die als een computationele microscoop nieuwe of diepere eigenschappen van een fenomeen blootlegt op manieren die voorheen niet mogelijk waren.”
Dit is de manier waarop Max Welling probeert nieuwe inzichten te krijgen in het gedrag van moleculen. Hij is als distinguished scientist verbonden aan de in 2021 opgerichte Amsterdamse tak van het Microsoft AI4Science Lab en tevens hoogleraar machinaal leren aan het Instituut voor Informatica van de Universiteit van Amsterdam. Welling: „Ons idee is dat we met AI als gereedschap veel sneller veelbelovende moleculen kunnen vinden voor het maken van nieuwe materialen, katalysatoren en medicijnen.”
Om dat soort problemen veel sneller op te lossen vervangt Welling dure en trage computersimulaties, die natuurkundige vergelijkingen direct oplossen, door goedkopere en snellere benaderingen die gebaseerd zijn op het machinaal leren van trainingsdata: „Eerst gebruiken we de data van een computersimulatie om een machinaal lerende emulator te trainen en daarna kan de emulator het werk overnemen van de computersimulatie. Deze aanpak kan het doen van moleculaire simulaties, maar ook het maken van weersverwachtingen, met een factor duizend tot tienduizend versnellen, zo zien we in de praktijk. Voor sommige toepassingen in de chemie en quantumchemie is zo’n emulator bijna net zo nauwkeurig als de oorspronkelijke computersimulatie die de natuurwetten zelf uitrekent, maar wel veel goedkoper.”
Als een AI-systeem mijn toegang tot een dienst zoals een lening weigert en mij niet kan uitleggen waarom, dan hebben we een probleem
Max Welling hoogleraar machinaal leren
Het Microsoft AI4Science Lab, met behalve in Amsterdam ook vestigingen in Cambridge, Berlijn, Beijing, Shanghai en Redmond, werkt onder andere aan het bouwen van een soort interactieve zoekmachine waarmee menselijke wetenschappers moleculen met specifieke eigenschappen kunnen vinden. Welling: „Als we een materiaal willen maken dat CO2 uit de lucht moet halen, of moleculen waarmee farmaceuten een nieuw antibioticum kunnen maken, dan vragen we aan het AI-systeem om honderd kandidaatmoleculen te genereren. Die worden dan al dan niet automatisch in een lab gemaakt en getest, daar leren we nieuwe dingen uit die vervolgens weer het systeem in gaan en dan gaan menselijke wetenschappers weer nieuwe vragen stellen.”
Nu al is een grote versnelling te zien in het genereren van moleculen die geschikt kunnen zijn voor een bepaald medicijn. „Ik denk dat we over vijf of tien jaar zo’n zoekmachine kunnen hebben”, zegt Welling. „Zo kunnen we een grote bijdrage leveren aan het verkorten van de ontwikkeltijd van nieuwe materialen, die nu vaak tien tot twintig jaar is.”
De tweede manier waarop een AI-instrument menselijke wetenschappers kan helpen, is door ze te inspireren tot nieuwe ideeën, verbanden en begrip. „Dat noem ik AI als muze”, zegt Krenn. „Het ontwerp van ons nieuwe quantummechanische experiment in 2016 is daarvan een voorbeeld.” Een ander voorbeeld dat we in ons onderzoek naar het gebruik van AI door natuurwetenschappers tegenkwamen, komt uit de scheikunde. Chemici hebben AI gebruikt om in een grote hoeveelheid wetenschappelijke literatuur automatisch moleculen te vinden die dezelfde eigenschappen hebben, bijvoorbeeld thermo-elektriciteit, de eigenschap om temperatuurverschillen om te zetten in elektriciteit. Krenn: „Behalve dat de lijst moleculen bevat waarvan al bekend was dat ze thermo-elektrisch zijn, bleek de lijst er ook een aantal te bevatten waarvan wetenschappers nooit eerder hadden geweten of vermoed dat ze thermo-elektrisch zijn. Die worden inmiddels in het lab getest.”
Bij de eerste twee manieren waarop AI bijdraagt aan nieuwe wetenschappelijke ontdekkingen, zijn menselijke wetenschappers essentieel om het nieuwe inzicht en de inspiratie te identificeren, te verfijnen en te ontwikkelen tot een volledig begrip. De derde manier waarop AI bijdraagt aan het doen van ontdekkingen, is de meest radicale en op dit moment nog toekomstmuziek: het AI-systeem zelf doet een ontdekking, begrijpt het fenomeen in algemene concepten en is ook nog eens in staat om de nieuwe inzichten uit te leggen aan menselijke wetenschappers. Dit soort systemen noemen Krenn en zijn co-auteurs ‘agents of understanding’. Krenn: „Het is mooi om na te denken over of de machine het fenomeen wel of niet begrijpt, maar uiteindelijk gaat het erom dat menselijke wetenschappers het willen begrijpen. Wetenschap is een menselijke activiteit.”
Sommige collega’s van Krenn betwijfelen of het wel nodig is dat het AI-systeem altijd aan mensen moet kunnen uitleggen wat het heeft ontdekt. Misschien moeten menselijke wetenschappers juist de taal van het AI-systeem Source: NRC