ابزار جدید هوش مصنوعی می‌تواند کشفیات میان‌رشته‌ای کم‌سابقه را رایج‌تر کند
۱۹ اکتبر ۲۰۲۶
ابزار جدیدی مبتنی بر هوش مصنوعی به نام BootLoops به دانشمندان کمک کرده است تا طی سه ماه ۳۶ مقاله پژوهشی تولید کنند. این ابزار در کنار متخصصان هر حوزه می‌تواند به انتقال ایده‌ها و روش‌های علمی میان رشته‌های مختلف کمک کند.
برخی از پیشرفت‌های بزرگ علمی زمانی رخ می‌دهند که پژوهشگران روشی را که در یک رشته توسعه یافته است، در حوزه‌ای دیگر به کار می‌گیرند. بااین‌حال، انجام پژوهش‌های میان‌رشته‌ای دشوار و زمان‌بر است. اکنون یک سامانه پژوهشی جدید مبتنی بر هوش مصنوعی این فرایند را خودکار کرده و در مدت سه ماه به تولید ۳۶ مقاله انجامیده است.
بیشتر پژوهشگران در محدوده تخصصی نسبتاً کوچکی فعالیت می‌کنند و فرصت چندانی ندارند که رشته‌های نامرتبط را برای یافتن ابزارها و روش‌هایی بررسی کنند که شاید برای حل مسائلشان مفید باشند. در نتیجه، ممکن است مدت‌ها برای حل مسئله‌ای تلاش کنند که دانشمندان رشته‌ای دیگر پیش‌تر راه‌حل آن را یافته‌اند.
متیو شوارتز، فیزیک‌دان دانشگاه هاروارد، زمانی که به‌عنوان پژوهشگر مهمان در شرکت هوش مصنوعی Anthropic فعالیت می‌کرد، به راه‌حلی بالقوه برای این مشکل رسید. او از هوش مصنوعی Claude این شرکت خواست مجموعه‌ای از ابزارها را برای فیزیک ریاضی توسعه دهد و سپس دریافت که همین ابزارها می‌توانند مسائل کمّی را در طیف گسترده‌ای از حوزه‌های دیگر نیز حل کنند.
این مجموعه ابزار که BootLoops نام دارد، به مدل‌های هوش مصنوعی مختلف امکان می‌دهد منابع علمی را جست‌وجو کنند، کد بنویسند و مسائل ریاضی را حل کنند. شوارتز با همکاری ۱۹ پژوهشگر دیگر از این سامانه برای تهیه ۳۶ دست‌نوشته پژوهشی در موضوعاتی از بوم‌شناسی و زبان‌شناسی گرفته تا بیمه درمانی و لکه‌های خورشیدی استفاده کرد.
شوارتز در نوشته‌ای در وبلاگ Anthropic درباره این سامانه توضیح داد: «وقتی Claude به BootLoops مجهز شد، مرتباً به الگوی مشابهی پی می‌برد: در بسیاری از رشته‌ها مسائلی وجود دارد که اگر کسی از وجود یک روش ریاضی، فیزیکی یا علوم رایانه‌ای مناسب خبر داشت، آن روش می‌توانست مسئله را به‌طور کامل حل کند.»
شوارتز نخستین بار در دسامبر گذشته استفاده از Claude را به‌عنوان دستیار پژوهشی همه‌منظوره آغاز کرد. هرچند توانست با کمک آن کارهای مفیدی انجام دهد، به گفته خودش، باید پیوسته راهنمایی‌اش می‌کرد. به همین دلیل تصمیم گرفت به‌جای آن، مسائل متناسب با توانایی‌های این مدل را در اختیارش بگذارد؛ مسائلی که خودش آن‌ها را «مسائل متناسب با Claude» می‌نامد.
او کار را با معادلاتی آغاز کرد که فیزیک‌دانان برای تفسیر برخورد ذرات در برخورددهنده بزرگ هادرونی به کار می‌برند. بهترین روش‌های حل این معادلات در نرم‌افزارهایی با زبان‌های برنامه‌نویسی مختلف پراکنده بودند یا فقط روی کاغذ وجود داشتند. شوارتز از Claude خواست این روش‌ها را در چارچوبی واحد گردآوری کند. سپس این مدل با استفاده از ابزارهایی که خودش ساخته بود، توانست نتایج یکی از مقالات شوارتز را در حدود ۲۰ دقیقه بازتولید کند.
شوارتز پس از آن سراغ دسته دشوارتری از این معادلات رفت. تنها چند هفته بعد، مدل ۳۰ معادله را حل کرده بود که ۱۵ مورد از آن‌ها پیش‌تر هرگز محاسبه نشده بودند. شوارتز خیلی زود متوجه شد بسیاری از روش‌هایی که هوش مصنوعی توسعه داده بود، در شاخه‌های نزدیک فیزیک، مانند کیهان‌شناسی و نظریه ریسمان، نیز کاربرد دارند.
اما جهش بزرگ‌تر را خود Claude انجام داد. این مدل به شوارتز یادآوری کرد که معادلات مشابهی در ژنتیک جمعیت و زیست‌شناسی تکاملی نیز ظاهر می‌شوند. مشکل این بود که شوارتز در حوزه‌هایی که آشنایی کمتری با آن‌ها داشت، دشوارتر می‌توانست تشخیص دهد چه زمانی Claude اهمیت یافته‌هایش را بیش از حد بزرگ جلوه می‌دهد. بنابراین، از متخصصان هر رشته دعوت کرد یافته‌های مدل را ارزیابی کنند و مشخص کنند کدام‌یک ارزش پیگیری دارند. از میان حدود ۴۰۰ مسئله پیشنهادی، در نهایت ۳۶ مورد به مقاله پژوهشی تبدیل شدند.
یکی از پروژه‌ها به بررسی امتیازهای ستاره‌ای اختصاص داشت که برای ارزیابی طرح‌های بیمه درمانی خصوصی تحت پوشش برنامه Medicare در ایالات متحده استفاده می‌شوند. این امتیازها میزان پاداشی را که شرکت‌های بیمه دریافت می‌کنند، تعیین می‌کنند. طبق قواعد، مرز میان سطوح امتیاز باید به‌گونه‌ای تعیین شود که امتیاز هر طرح تا حد امکان به میانگین گروه مربوط به آن نزدیک باشد. اما الگوریتمی که Medicare در عمل به کار می‌برد، روشی ساده‌شده است که تضمین نمی‌کند این شرط برقرار بماند.
BootLoops با استفاده از یک روش آماری متعلق به سال ۱۹۵۸، پاسخ دقیق مسئله را محاسبه کرد. نتایج نشان داد که تعیین مرزهای دقیق می‌تواند باعث شود امتیاز ۳۴ طرح بیمه از مرز دریافت پاداش عبور کند؛ امتیاز ۱۶ طرح به سطح بالاتری برسد و امتیاز ۱۸ طرح کاهش یابد. برآورد می‌شود این تغییر بین سال‌های ۲۰۲۵ تا ۲۰۲۷ مبلغی در حدود ۹۰۰ میلیون تا ۱٫۴ میلیارد دلار از پرداخت‌های پاداش را میان طرح‌ها جابه‌جا کند.
پروژه دیگری به معمایی ۱۵۰ ساله پرداخت: لکه‌های خورشیدی چرا از بین می‌روند؟ چرخش خورشید باعث می‌شود این لکه‌ها در بخش بزرگی از عمرشان از دید پنهان بمانند. به همین دلیل، اخترشناسان تاکنون نتوانسته‌اند درباره طول عمر آن‌ها یا علت ناپدیدشدنشان به توافق برسند.
گروه پژوهشی ابزاری را که پزشکان برای اندازه‌گیری تغییر خطر مرگ با افزایش سن به کار می‌برند، اقتباس کرد و آن را روی تمام لکه‌های خورشیدی ثبت‌شده از سال ۱۸۷۴ اعمال کرد. نتایج نشان داد که لکه‌های خورشیدی با گذشت زمان پیر می‌شوند. در اندازه‌ای مشخص، احتمال از بین رفتن آن‌ها هر روز حدود ۲۰ درصد افزایش می‌یابد؛ پدیده‌ای که هیچ‌یک از نظریه‌های منتشرشده پیشین قادر به توضیح آن نبودند.
Claude برای بررسی هر مسئله جدید، ابزارهای تازه‌ای می‌ساخت و به این ترتیب، مجموعه ابزارهای BootLoops به‌تدریج گسترش یافت. طبق وب‌سایت این پروژه، این مجموعه اکنون ۲۲ حوزه علمی را پوشش می‌دهد. از دیگر مسائلی که با کمک آن بررسی شده‌اند، می‌توان به این موضوع اشاره کرد که جو زمین چگونه برای نخستین بار از اکسیژن غنی شد، گونه‌های درختی در یک جنگل بارانی پاناما با چه سرعتی پدیدار می‌شوند و از بین می‌روند، و انتخاب طبیعی چگونه جهش‌های زیان‌بار را در انسان‌ها حذف می‌کند.
جورجیا چانینگ، مسئول هوش مصنوعی برای علم در شرکت Hugging Face، در گفت‌وگو با Science گفت جهش‌های میان‌رشته‌ای از این نوع بسیار نادرند. او توضیح داد: «یک پژوهشگر فیزیک شش ماه وقت نمی‌گذارد تا تحقیقات زبان‌شناسی را بخواند و بفهمد چگونه می‌تواند روش‌های این رشته را در حوزه خودش به کار بگیرد.»
البته این سامانه بی‌نقص نیست. شوارتز می‌گوید بسیاری از یافته‌های اولیه Claude از نظر فنی درست بودند، اما تا زمانی که متخصصان مسیر کار را هدایت نکرده بودند، اهمیت علمی چندانی نداشتند. او هشدار می‌دهد که این مدل «عاشق آن است که خیلی زود اعلام کند کار تمام شده است».
بااین‌حال، نتایج نشان می‌دهند که هوش مصنوعی می‌تواند ابزاری قدرتمند برای انتقال و پیوند ایده‌ها میان حوزه‌های پژوهشی باشد؛ هرچند همچنان به انسان‌ها نیاز داریم تا تشخیص دهند کدام ایده‌ها واقعاً ارزش دنبال کردن دارند.
نویسنده: اد جنت (Edd Gent)