Sztuczna inteligencja przewiduje postęp technologiczny na podstawie publikacji naukowych.

Czyta i patrzy w przyszłość

Framework oparty o sztuczną inteligencję zbudowany przez naukowców z Massachusetts Institute of Technology potrafi zasygnalizować nam, że za moment pojawi się jakaś technologia, która będzie miała duże znaczenie dla rozwoju ludzkości. Jak? Ucząc się na podstawie wzorców zebranych z dokonanych do tej pory publikacji naukowych.

W retrospektywnym teście swoich możliwości DELPHI (skrót od Dynamic Early Warning by Learning to Predict High Impact) był w stanie zidentyfikować wszystkie nowatorskie artykuły odnoszące się do biotechnologii, które wprowadziły istotny postęp w tej dziedzinie.

Pozwoli przekierować fundusze na te właściwe badania?

James W. Weis, współpracownik naukowy MIT Media Lab oraz Joseph Jacobson, profesor nauk o mediach i szef grupy badawczej Molecular Machines w Media Lab, również mogli się już przekonać o możliwościach DELPHI. Z jego pomocą wytypowali 50 ostatnio opublikowanych artykułów naukowych, które zgodnie z ich przewidywaniami dotyczą kwestii mających duże znaczenie w perspektywie do 2023 roku. Tematy poruszone w artykułach obejmują między innymi nanoroboty DNA stosowane w leczeniu raka, akumulatory litowo-tlenowe o wysokiej gęstości energii oraz syntezę chemiczną z wykorzystaniem głębokich sieci neuronowych.

Naukowcy postrzegają DELPHI jako narzędzie, które może pomóc ludziom lepiej wykorzystać fundusze na badania naukowe, identyfikując technologie znajdujące się obecnie w stanie „nieoszlifowanego diamentu” a które bez wsparcia na tym etapie mogłyby nie wyjść poza laboratoria i nie przynieść ludzkości żadnej korzyści. Ma to pozwolić na zaoferowanie rządom, filantropom czy inwestorom bardziej efektywne i produktywne wspieranie nauki. Według Weisa:

Zasadniczo nasz algorytm działa poprzez uczenie się wzorców z historii nauki, a następnie dopasowywanie wzorców w nowych publikacjach w celu znalezienia tego co za moment zmieni naszą rzeczywistość. Śledząc rozprzestrzenianie się pomysłów na tak wczesnym etapie możemy przewidzieć, jakie jest prawdopodobieństwo, że zaangażują one szerszą społeczność akademicką w znaczący sposób.

Zasada działania

Algorytm uczenia maszynowego opracowany przez Weisa i Jacobsona wykorzystuje ogromną ilość informacji cyfrowych, które są obecnie dostępne wskutek wykładniczego wzrostu liczby publikacji naukowych obserwowanego jeszcze od lat osiemdziesiątych. Ale zamiast wykorzystać do oceny wpływu publikacji miar jednowymiarowych, takich jak liczba cytowań, DELPHI został przeszkolony w całej sieci powiązań metadanych artykułów. Dzięki temu można dokładniej przeanalizować jak idee czy wynalazki rozprzestrzeniają się w ekosystemie naukowym.

Wynikiem jest wykres wiedzy zawierający połączenia między węzłami reprezentującymi artykuły, autorów, instytucje i inne dane. Siła i rodzaj złożonych połączeń między tymi węzłami determinuje ich właściwości, które są wykorzystywane przez DELPH do stworzenia analizy. Te połączenia pozwalają stworzyć wykres umieszczony w konkretnym czasie, którego DELPHI używa następnie do uczenia się wzorców, które – zaobserwowane – mogą wskazywać na znaczący potencjał naukowy danego odkrycia - wyjaśnia Weis.

Efekty

DELPHI sugeruje nam, że wysoce wpływowe prace naukowe rozprzestrzeniają się niemal wirusowo poza ich macierzyste dyscypliny. Dwa artykuły mogą mieć tę samą liczbę cytowań, ale to ten z nich, który ma znaczenie dociera ostatecznie do szerszego i głębszego grona odbiorców. W porównaniu z systemami opierającymi się do tej pory wyłącznie na liczbie cytowani, DELPHI identyfikuje ponad dwukrotnie więcej artykułów o dużym wpływie, w tym – co chyba najważniejsze – 60% „ukrytych klejnotów”, czyli artykułów, które zginęłyby w pomroce dziejów gdybyśmy kierowali się wyłącznie progiem cytowań.