Исследователи из Института ELLIS и Тюбингенского университета описали автоматизацию научного моделирования с помощью ИИ. Процесс включает три этапа: построение модели, подбор параметров и интерпретацию результатов. Наибольший прогресс достигнут в настройке моделей по экспериментальным данным.
В 1951 году для создания модели Ходжкина — Хаксли потребовалось более 3 недель ручных расчетов. Современный ИИ выполняет аналогичную работу за несколько часов с помощью метода simulation-based inference. Для модели Ходжкина — Хаксли требуется около 100 000 симуляций, для сложных систем — миллионы.
ИИ-агенты способны самостоятельно предлагать уравнения, писать код и корректировать модели, отдавая предпочтение простым вариантам. Вместо одного набора параметров система выдает распределение вероятных вариантов, что позволяет учитывать неопределенность в предсказаниях.
За последние 2 года опубликовано несколько работ, где LLM проектируют научные модели, однако их проверяли преимущественно на уже известных задачах. Автоматизация интерпретации результатов остается сложной задачей, так как совпадение данных не гарантирует верность механизма.
Перспективным подходом считается создание набора объяснений, согласующихся с данными. Для систем вроде мозга плодовой мушки, включающего более 100 000 нейронов, ИИ помогает выявлять области неопределенности и определять необходимость проведения новых экспериментов.
