Ερευνητές του Πανεπιστημίου της Πενσυλβανίας έχουν αναπτύξει μια πιο έξυπνη μέθοδο τεχνητής νοημοσύνης για την επίλυση των γνωστών δύσκολων αντίστροφων εξισώσεων, οι οποίες βοηθούν τους επιστήμονες να αποκαλύψουν τις κρυφές αιτίες πίσω από τα παρατηρήσιμα φαινόμενα. Με την εισαγωγή «επιπέδων εξομάλυνσης» που εξομαλύνουν τα θορυβώδη δεδομένα, έχουν καταστήσει αυτούς τους υπολογισμούς πιο σταθερούς και πολύ λιγότερο απαιτητικούς από υπολογιστική άποψη. Αυτό θα μπορούσε να μεταμορφώσει τομείς όπως η γενετική, όπου η κατανόηση της συμπεριφοράς του DNA είναι καθοριστική για την έρευνα σχετικά με τις ασθένειες.
Μια ομάδα μηχανικών του Πανεπιστημίου της Πενσυλβανίας παρουσίασε έναν έξυπνο νέο τρόπο που θα βοηθήσει την τεχνητή νοημοσύνη να λύσει ένα από τα πιο δύσκολα επιστημονικά αινίγματα: να προχωρήσει αντίστροφα από τα παρατηρήσιμα στοιχεία για να αποκαλύψει τις κρυφές αιτίες. Πηγή: Shutterstock
Ερευνητές του Πανεπιστημίου της Πενσυλβανίας παρουσίασαν έναν νέο τρόπο χρήσης της τεχνητής νοημοσύνης για την αντιμετώπιση μιας από τις πιο δύσκολες προκλήσεις στα μαθηματικά: τις αντίστροφες μερικές διαφορικές εξισώσεις (PDEs). Οι εξισώσεις αυτές είναι απαραίτητες για την κατανόηση σύνθετων συστημάτων, αλλά η επίλυσή τους έχει από καιρό φτάσει στα όρια τόσο των μαθηματικών όσο και της πληροφορικής.
Η λύση της ομάδας, που ονομάζεται «Mollifier Layers», βελτιώνει τον τρόπο με τον οποίο η τεχνητή νοημοσύνη χειρίζεται αυτά τα προβλήματα, τελειοποιώντας τη μαθηματική βάση της διαδικασίας αντί να αυξάνει απλώς την υπολογιστική ισχύ. Η προσέγγιση αυτή θα μπορούσε να έχει ευρύ φάσμα εφαρμογών, από την αποκωδικοποίηση της γενετικής δραστηριότητας έως τη βελτίωση των μετεωρολογικών προβλέψεων.
«Η επίλυση ενός αντίστροφου προβλήματος είναι σαν να παρατηρείς τους κύκλους σε μια λίμνη και να προχωράς προς τα πίσω για να καταλάβεις πού έπεσε το βότσαλο», λέει ο Vivek Shenoy, διακεκριμένος καθηγητής Eduardo D. Glandt στην Επιστήμη και Μηχανική Υλικών (MSE) και κύριος συγγραφέας μιας μελέτης που δημοσιεύθηκε στο περιοδικό Transactions on Machine Learning Research (TMLR) και η οποία θα παρουσιαστεί στο Συνέδριο για τα Νευρωνικά Συστήματα Επεξεργασίας Πληροφοριών (NeurIPS 2026). «Μπορείς να δεις τα αποτελέσματα με σαφήνεια, αλλά η πραγματική πρόκληση είναι να συμπεράνεις την κρυμμένη αιτία».
Αντί να βασίζονται σε πιο ισχυρό υλικό, οι ερευνητές επικεντρώθηκαν στη βελτίωση των υποκείμενων μαθηματικών. «Η σύγχρονη τεχνητή νοημοσύνη συχνά εξελίσσεται με την αύξηση της υπολογιστικής ισχύος», λέει ο Vinayak Vinayak, υποψήφιος διδάκτορας στο τμήμα MSE και συν-πρώτος συγγραφέας της μελέτης. «Ωστόσο, ορισμένες επιστημονικές προκλήσεις απαιτούν καλύτερα μαθηματικά, όχι απλώς περισσότερη υπολογιστική ισχύ.»
Γιατί οι αντίστροφες διαφορικές εξισώσεις έχουν σημασία στην επιστήμη
Οι διαφορικές εξισώσεις αποτελούν τη ραχοκοκαλιά της επιστημονικής μοντελοποίησης. Περιγράφουν τον τρόπο με τον οποίο τα συστήματα μεταβάλλονται με την πάροδο του χρόνου, είτε πρόκειται για την αύξηση του πληθυσμού, τη ροή θερμότητας είτε για χημικές αντιδράσεις.
Οι μερικές διαφορικές εξισώσεις επεκτείνουν περαιτέρω αυτή την ιδέα, αποτυπώνοντας τον τρόπο με τον οποίο τα συστήματα εξελίσσονται τόσο στο χώρο όσο και στο χρόνο. Οι επιστήμονες τις χρησιμοποιούν για να μελετήσουν τα πάντα, από τα καιρικά φαινόμενα έως τον τρόπο με τον οποίο η θερμότητα μεταφέρεται μέσα στα υλικά, αλλά και τον τρόπο οργάνωσης του DNA μέσα στα κύτταρα.
Οι αντίστροφες μερικές διαφορικές εξισώσεις προχωρούν ένα βήμα παραπέρα. Αντί να προβλέπουν αποτελέσματα με βάση γνωστούς κανόνες, επιτρέπουν στους επιστήμονες να ξεκινούν από τα παρατηρούμενα δεδομένα και να προχωρούν προς τα πίσω, προκειμένου να αποκαλύψουν τις κρυφές δυνάμεις που καθοδηγούν αυτές τις παρατηρήσεις.
«Εδώ και χρόνια, χρησιμοποιούμε αυτές τις εξισώσεις για να μελετήσουμε πώς η χρωματίνη —δηλαδή η διπλωμένη μορφή του DNA μέσα στον πυρήνα— οργανώνεται μέσα στα ζωντανά κύτταρα», λέει ο Shenoy. «Όμως, συνεχώς αντιμετωπίζαμε το ίδιο πρόβλημα: μπορούσαμε να δούμε τις δομές και να μοντελοποιήσουμε τον σχηματισμό τους, αλλά δεν μπορούσαμε να συμπεράνουμε με αξιοπιστία τις επιγενετικές διεργασίες που καθοδηγούν αυτό το σύστημα, δηλαδή τις χημικές αλλαγές που συμβάλλουν στον έλεγχο του ποια γονίδια είναι ενεργά. Όσο περισσότερο προσπαθούσαμε να βελτιστοποιήσουμε την υπάρχουσα προσέγγιση, τόσο πιο ξεκάθαρο γινόταν ότι τα ίδια τα μαθηματικά έπρεπε να αλλάξουν.»
Επανεξέταση του τρόπου με τον οποίο η ΤΝ χειρίζεται τα σύνθετα μαθηματικά
Μια βασική έννοια πίσω από αυτές τις εξισώσεις είναι η παραγώγιση, η οποία μετρά πώς αλλάζει κάτι. Οι απλές παραγώγοι δείχνουν πόσο γρήγορα κάτι αυξάνεται ή μειώνεται, ενώ οι παραγώγοι ανώτερης τάξης αποτυπώνουν πιο περίπλοκα μοτίβα.
Παραδοσιακά, τα συστήματα ΤΝ υπολογίζουν αυτές τις παραγώγους χρησιμοποιώντας μια διαδικασία που ονομάζεται αναδρομική αυτόματη παραγώγιση. Αυτή η μέθοδος υπολογίζει επανειλημμένα τις αλλαγές καθώς τα δεδομένα διακινούνται μέσα σε ένα νευρωνικό δίκτυο, το θεμέλιο της σύγχρονης ΤΝ.
Ωστόσο, αυτή η προσέγγιση αντιμετωπίζει δυσκολίες όταν έχει να κάνει με πολύπλοκα συστήματα και δεδομένα με θόρυβο. Μπορεί να καταστεί ασταθής και να απαιτεί τεράστιους υπολογιστικούς πόρους.
Οι ερευνητές τη συγκρίνουν με το να μεγεθύνεις επανειλημμένα μια τραχιά, οδοντωτή γραμμή. Κάθε βήμα ενισχύει τις ατέλειες, καθιστώντας το τελικό αποτέλεσμα λιγότερο αξιόπιστο. Για να ξεπεράσουν αυτό το πρόβλημα, η ομάδα συνειδητοποίησε ότι χρειαζόταν έναν τρόπο να εξομαλύνει τα δεδομένα πριν τα αναλύσει.
Τα στρώματα εξομάλυνσης (mollifier layers) προσφέρουν μια πιο έξυπνη λύση
Η απάντηση προήλθε από μια έννοια που εισήγαγε τη δεκαετία του 1940 ο μαθηματικός Kurt Otto Friedrichs, ο οποίος περιέγραψε τα «mollifiers», εργαλεία σχεδιασμένα για την εξομάλυνση ακανόνιστων ή θορυβωδών συναρτήσεων.
Προσαρμόζοντας αυτή την ιδέα, οι ερευνητές δημιούργησαν ένα «στρώμα εξομάλυνσης» (mollifier layer) μέσα στα μοντέλα τεχνητής νοημοσύνης. Αυτό το στρώμα εξομαλύνει τα δεδομένα εισόδου πριν από τον υπολογισμό των μεταβολών, αποφεύγοντας την αστάθεια που προκαλούν οι παραδοσιακές μέθοδοι.
«Αρχικά υποθέσαμε ότι το πρόβλημα είχε να κάνει με την αρχιτεκτονική του νευρωνικού δικτύου», λέει η Ananyae Kumar Bhartari, απόφοιτος του μεταπτυχιακού προγράμματος «Επιστημονικών Υπολογισμών» της Σχολής Μηχανικών του Πανεπιστημίου της Πενσυλβανίας και η άλλη συν-πρώτη συγγραφέας της εργασίας. «Όμως, αφού προσαρμόσαμε προσεκτικά το δίκτυο, τελικά συνειδητοποιήσαμε ότι το εμπόδιο ήταν η ίδια η αναδρομική αυτόματη διαφοροποίηση».
Τα αποτελέσματα ήταν εντυπωσιακά. Η νέα μέθοδος μείωσε τον θόρυβο και μείωσε σημαντικά το υπολογιστικό κόστος που απαιτείται για την επίλυση αυτών των εξισώσεων.
Η εφαρμογή ενός «επιπέδου εξομάλυνσης», το οποίο εξομάλυνε το σήμα πριν από τη μέτρησή του, μείωσε δραστικά τόσο τον θόρυβο όσο και την κλιμάκωση της κατανάλωσης ισχύος. «Αυτό μας επέτρεψε να λύσουμε αυτές τις εξισώσεις με μεγαλύτερη αξιοπιστία, χωρίς το ίδιο υπολογιστικό φορτίο», λέει ο Bhartari.
Αποκαλύπτοντας τα μυστικά της οργάνωσης του DNA
Μία από τις πιο ελπιδοφόρες εφαρμογές αυτής της προσέγγισης έγκειται στην κατανόηση της χρωματίνης, της σύνθετης δομής του DNA και των πρωτεϊνών στο εσωτερικό των κυττάρων.
Αυτές οι δομές λειτουργούν σε απίστευτα μικρή κλίμακα, αλλά διαδραματίζουν σημαντικό ρόλο στον καθορισμό του τρόπου με τον οποίο τα γονίδια ενεργοποιούνται ή απενεργοποιούνται.
«Αυτές οι περιοχές έχουν μέγεθος μόλις 100 νανόμετρα», λέει ο Shenoy, «αλλά επειδή η προσβασιμότητα καθορίζει τη γονιδιακή έκφραση, και η γονιδιακή έκφραση ρυθμίζει την ταυτότητα, τη λειτουργία, τη γήρανση και τις ασθένειες των κυττάρων, αυτές οι περιοχές διαδραματίζουν κρίσιμο ρόλο στη βιολογία και την υγεία».
Με την εκτίμηση των ρυθμών των επιγενετικών αντιδράσεων, οι οποίες ελέγχουν τη γονιδιακή δραστηριότητα, η νέα μέθοδος τεχνητής νοημοσύνης θα μπορούσε να βοηθήσει τους επιστήμονες να προχωρήσουν πέρα από την απλή παρατήρηση της χρωματίνης και να προβλέψουν πώς αυτή μεταβάλλεται με την πάροδο του χρόνου.
«Αν καταφέρουμε να παρακολουθήσουμε πώς εξελίσσονται αυτοί οι ρυθμοί αντίδρασης κατά τη γήρανση, τον καρκίνο ή την ανάπτυξη», προσθέτει ο Vinayak, «αυτό δημιουργεί τις προοπτικές για νέες θεραπείες: αν οι ρυθμοί αντίδρασης ελέγχουν την οργάνωση της χρωματίνης και την τύχη των κυττάρων, τότε η τροποποίηση αυτών των ρυθμών θα μπορούσε να ανακατευθύνει τα κύτταρα προς τις επιθυμητές καταστάσεις».
Πέρα από τη βιολογία: Ευρεία επιστημονική επίδραση
Οι πιθανές εφαρμογές των στρωμάτων εξομάλυνσης εκτείνονται πολύ πέρα από τη γενετική. Πολλοί τομείς της επιστήμης, όπως η έρευνα υλικών και η δυναμική των ρευστών, περιλαμβάνουν πολύπλοκες εξισώσεις και δεδομένα με θόρυβο.
Αυτό το νέο πλαίσιο θα μπορούσε να προσφέρει έναν πιο σταθερό και αποδοτικό τρόπο για την αποκάλυψη κρυφών παραμέτρων σε μια ευρεία ποικιλία συστημάτων.
Οι ερευνητές το θεωρούν ως ένα βήμα προς έναν ευρύτερο στόχο: τη μετατροπή των παρατηρήσεων σε βαθύτερη κατανόηση.
«Τελικά, ο στόχος είναι να περάσουμε από την παρατήρηση σύνθετων μοτίβων στην ποσοτική αποκάλυψη των κανόνων που τα δημιουργούν», λέει ο Shenoy. «Αν κατανοήσεις τους κανόνες που διέπουν ένα σύστημα, έχεις πλέον τη δυνατότητα να το αλλάξεις.»
Η μελέτη αυτή διεξήχθη στη Σχολή Μηχανικής και Εφαρμοσμένων Επιστημών του Πανεπιστημίου της Πενσυλβανίας και χρηματοδοτήθηκε από το Εθνικό Ινστιτούτο Καρκίνου (NCI) με την επιχορήγηση U54CA261694 (V.B.S.)· από την επιχορήγηση CMMI-154857 του Κέντρου Μηχανικής Μηχανιοβιολογίας (CEMB) της Εθνικής Υπηρεσίας Επιστημών (NSF) (V.B.S.)· από την επιχορήγηση DMS-2347834 της NSF (V.B.S.)· από τις επιχορηγήσεις R01EB017753 (V.B.S.) και R01EB030876 (V.B.S.) του Εθνικού Ινστιτούτου Βιοϊατρικής Απεικόνισης και Βιομηχανικής (NIBIB) και από την επιχορήγηση R01GM155943 (V.B.S.) του Εθνικού Ινστιτούτου Γενικών Ιατρικών Επιστημών (NIGMS).
Πηγές:
1) Materials provided by University of Pennsylvania School of Engineering and Applied Science. Note: Content may be edited for style and length.
2) Sciencedaily