Kann KI die Art und Weise verändern, wie Wissenschaft betrieben wird?

Künstliche Intelligenz (KI) prägt die Wissenschaft auf beispiellose Weise. Von der Beschleunigung des Forschungsprozesses bis hin zur Generierung neuer Forschungshypothesen birgt die Einbeziehung von KI ein enormes Potenzial für die Wissenschaft.

Anfang des Jahres sagte Yann LeCun, einer der Paten der modernen KI: „Indem sie die menschliche Intelligenz erweitert, könnte KI eine neue Renaissance auslösen, vielleicht eine neue Phase der Aufklärung.“

Schon heute kann KI einige bestehende wissenschaftliche Prozesse schneller und effizienter machen, etwa die Entdeckung neuer Antibiotika, neuer Materialien für Batterien und Solarmodule, aber auch die Vorhersage kurzfristiger Wetterdaten und die Kontrolle der Kernfusion. Demis Hassabis, CEO von Google DeepMind, verglich KI mit einem Teleskop und argumentierte, dass „KI eine neue Renaissance der Entdeckungen einläuten und als Multiplikator der menschlichen Intelligenz dienen könnte.“

Kann KI jedoch mehr leisten, indem sie die Art und Weise verändert, wie Wissenschaft betrieben wird?

Literaturbasierte Entdeckung: KI ist führend bei der Gewinnung wissenschaftlicher Erkenntnisse

Tatsächlich hat dieser Wandel schon einmal stattgefunden.

Mit dem Aufkommen der wissenschaftlichen Methode im 17. Jahrhundert begannen Forscher, experimentellen Beobachtungen und den daraus abgeleiteten Theorien mehr zu vertrauen als der traditionellen Weisheit der Alten. Die Gründung von Forschungslabors im späten 19. Jahrhundert führte zu Innovationen in Bereichen von der Chemie über Halbleiter bis hin zur Pharmazie. Diese Veränderungen steigerten nicht nur die wissenschaftliche Produktivität, sie veränderten auch die Wissenschaft selbst und eröffneten neue Bereiche der Forschung und Entdeckung.

Wie also hätte KI damals eine ähnliche Transformation erreichen können, indem sie nicht nur neue Ergebnisse, sondern auch neue Wege zur Erzielung neuer Ergebnisse geschaffen hätte?

Ein vielversprechender Ansatz ist die literaturbasierte Entdeckung (LBD).

Als KI-Methode zielt LBD darauf ab, durch die Analyse wissenschaftlicher Literatur neue Entdeckungen zu machen. Bereits in den 1980er Jahren entwickelte Dr. Don Swanson von der University of Chicago das erste LBD-System zur Suche nach neuen Assoziationen in der medizinischen Fachzeitschriftendatenbank MEDLINE. Zu den ersten Erfolgen dieses Ansatzes gehörte die Feststellung eines Zusammenhangs zwischen der Raynaud-Krankheit (einer Erkrankung des Kreislaufsystems) und der Blutviskosität sowie die Vermutung, dass Fischöl bei der Behandlung hilfreich sein könnte – eine Vermutung, die später experimentell bestätigt wurde. Allerdings hatte das LBD-System damals eine begrenzte Reichweite.

Heute hat die KI erhebliche Fortschritte bei der Verarbeitung natürlicher Sprache (NLP) gemacht und die Menge der wissenschaftlichen Literatur hat dramatisch zugenommen, was die LBD-Methode noch leistungsfähiger macht. So nutzten beispielsweise Forscher des Lawrence Berkeley National Laboratory in den USA im Jahr 2019 unüberwachte Lerntechniken, um Abstracts materialwissenschaftlicher Literatur zu analysieren und sie in mathematische Darstellungen, sogenannte „Word Embeddings“, umzuwandeln. Dieser Ansatz ermöglicht es dem KI-System, eine „chemische Intuition“ zu entwickeln und neue Materialien vorzuschlagen, die möglicherweise bestimmte Eigenschaften aufweisen. Nach der experimentellen Überprüfung zeigten alle zehn besten Kandidatenmaterialien eine hervorragende Leistung.

Ein kürzlich in der Zeitschrift Nature Human Behavior veröffentlichter Artikel der Soziologen Jamshid Sourati und James Evans von der University of Chicago erweitert diesen Ansatz auf neuartige Weise. Die Forscher trainierten ein System, das sowohl Konzepte als auch Autoren berücksichtigte, und erzielten bessere Ergebnisse als zuvor. Darüber hinaus forderten sie das System auf, sich von gängigen Forschungsrichtungen fernzuhalten und „fremdartige“ Hypothesen zu identifizieren, die unter normalen Umständen wahrscheinlich nicht entdeckt würden. Dieser Ansatz trägt nicht nur dazu bei, wissenschaftliche Entdeckungen zu beschleunigen, sondern deckt auch neue „blinde Flecken“ auf.

Heute können LBD-Systeme nicht nur neue Forschungshypothesen generieren, sondern auch potenzielle Partner identifizieren und die interdisziplinäre Zusammenarbeit fördern. Die Anwendung dieses Ansatzes wird auf die Verarbeitung unterschiedlicher Dokumenttypen wie Tabellen, Grafiken und Daten ausgeweitet, um Wissenschaftlern eine umfassendere Unterstützung zu bieten.

Roboterforscher: KI revolutioniert das Labor

Roboterwissenschaftler stellen eine weitere spannende Entwicklung dar, die über die traditionelle Laborautomatisierung hinausgeht. Sie eignen sich Hintergrundwissen zu einem bestimmten Forschungsgebiet in Form von Daten, Forschungsarbeiten und Patenten an, entwickeln dann Hypothesen, führen Experimente durch, werten die Ergebnisse aus und gelangen schließlich zu neuen wissenschaftlichen Erkenntnissen.

„Adam“ von der Aberystwyth University ist ein Pionier der Roboterforschung, der erstmals autonom neue wissenschaftliche Erkenntnisse gewonnen hat. Ein typisches Beispiel hierfür sind Experimente zur Beziehung zwischen Genen und Enzymen im Hefestoffwechsel.

Anspruchsvollere Roboterwissenschaftler wie Eve nutzen maschinelles Lernen, um bei der Planung und Analyse von Experimenten „quantitative Struktur-Wirkungs-Beziehungen“ (QSARs) zu erstellen – mathematische Modelle, die chemische Strukturen mit biologischen Effekten in Beziehung setzen. Eve wurde in der Arzneimittelforschung eingesetzt, um erfolgreich herauszufinden, dass Triclosan, eine antimikrobielle Verbindung, die in Zahnpasta verwendet wird, einen Schlüsselmechanismus des Parasiten hemmen kann, der Malaria verursacht.

Früher schien es, als läge die Aussicht, dass Maschinen die besten menschlichen Spieler besiegen könnten, noch Jahrzehnte in der Zukunft, doch die Technologie schreitet schneller voran als erwartet. Da die Fähigkeiten der Roboterwissenschaftler immer weiter wachsen, wird es nicht mehr lange dauern, bis sie mit KI-Systemen konkurrieren können, die Schach spielen können.

Ross King, ein KI-Forscher an der Universität Cambridge, der Adam entwickelt hat, sagte: „Wenn KI den gesamten Hypothesenraum erkunden oder sogar erweitern kann, dann könnte dies zeigen, dass Menschen nur einen kleinen Teil des Hypothesenraums erkunden, vielleicht aufgrund ihrer eigenen wissenschaftlichen Voreingenommenheit.“

Roboterwissenschaftler verändern die wissenschaftliche Forschung auf einzigartige Weise, indem sie Effizienzprobleme im wissenschaftlichen Bereich lösen. Die wissenschaftliche Forschung wird immer weniger effizient und trägt weniger dazu bei, die Grenzen des Wissens zu erweitern. Roboterwissenschaftler können dieses Problem mithilfe KI-gesteuerter Systeme lösen, da Maschinen Laborarbeiten schneller, kostengünstiger und präziser durchführen können als Menschen und rund um die Uhr arbeiten können. Darüber hinaus können sie reproduzierbare experimentelle Ergebnisse liefern und so die Reproduzierbarkeitskrise lindern.

Potenziale und Herausforderungen der KI in der Wissenschaft

Obwohl KI in der Wissenschaft großes Potenzial bietet, steht sie auch vor mehreren Herausforderungen.

Neben besserer Hard- und Software und einer engeren Integration zwischen beiden bedarf es auch einer größeren Interoperabilität zwischen Laborautomatisierungssystemen sowie gemeinsamer Standards, die es KI-Algorithmen ermöglichen, semantische Informationen auszutauschen und zu interpretieren. Ein weiteres Hindernis ist die mangelnde Vertrautheit der Wissenschaftler mit KI-basierten Tools. Darüber hinaus befürchten einige Forscher, dass ihre Arbeitsplätze durch die Automatisierung gefährdet seien.

Dr. Yolanda Gil, Informatikerin an der University of Southern California, sagte jedoch, die Auswirkungen der KI seien mittlerweile „tiefgreifend und allgegenwärtig“. Viele Wissenschaftler sind derzeit „aktiv auf der Suche nach KI-Partnern“. Das Bewusstsein für das Potenzial der KI wächst, insbesondere in den Materialwissenschaften und der Arzneimittelforschung, und Praktiker entwickeln ihre eigenen KI-Systeme.

Insgesamt haben wissenschaftliche Zeitschriften die Art und Weise verändert, wie Wissenschaftler Informationen entdecken und voneinander lernen. Forschungslabore haben den Umfang der Experimente erweitert und eine Industrialisierung der Experimente erreicht. Durch die Erweiterung und Kombination der ersten beiden Änderungen kann KI tatsächlich die Art und Weise verändern, wie Wissenschaft betrieben wird.

Referenzlinks:

https://www.economist.com/science-and-technology/2023/09/13/could-ai-transform-science-itself

https://www.economist.com/science-and-technology/2023/09/13/how-scientists-are-using-artificial-intelligence

Autorin: Hazel Yan

Herausgeber: Seite

===