AI新發展與用於PET解聚的水解酶的機器學習輔助工程
既然之前其他小編聊到了大腦翻譯機,就不得不提提這會兒,大家研究越來越常用的AI人工智慧出了什麼新新聞。
聊到大腦翻譯機,翻譯準確與否還是個問題,但最先遇到的問題就是如何讓機械能直接理解人類的自然語言,從google的團隊出走的David Luan和 Niki Parmar與離開DeepMind的Ashish Vaswani在最近創立了Adept AI,這三位Transformer-based System有著高程度理解的創辦人,志在將Adept AI 所訓練的模型能在電腦上執行所有任務,不論是Photoshop、Tableau 或 Twilio 等既有軟體,且他們夢想的遠景是人們可以透過自然語言來指示 AI 模型辦事,這樣的系統除了學習如何透過可用的軟體來完成任務外,最關鍵且最重要的是要教會系統如何使用軟體與 API,且能完善理解自然語言的敘述而非機械式的下達指令,如此一來系統才會主動且執行人類的指令並給出完美的結果。
當然這只是AI的願景,這樣的系統免不了需要大量的最佳化優化,對於每種語言抑或是詞語理解聽懂並執行何種指令都會是最佳化中需要反覆驗證的。那講道AI最佳化,最近的AI最佳化的應用研究或許為自然生態的環保貢獻了個可能性,’’Machine learning-aided engineering of hydrolases for PET depolymerization’’這篇發表於nature的研究為我們展示了AI的最佳化,為合成新產物所能帶來的效率,和所能達到的成效,研究團隊透過對3D CNN機械學習模型的調教,對一種名為PETase的天然酶產生新的突變,該酶允許細菌降解PET塑膠。該模型預測這些酶中的哪些突變將實現在低溫下快速降解廢棄塑膠的目標。通過以上過程和研究51種不同的消費后塑膠容器,五種不同的聚酯纖維和織物以及全部由PET製成的水瓶,研究人員證明了這種酶突變在功能性,活性,穩定和耐受性PETase的有效性,他們將其稱之為FAST-PETase,在最佳化上,AI總是能帶來遠比原先更快更佳的結果,窮舉法對大型研究來說根本是不可能的,但是對於AI分析來說,是可以透過分析擬合來快速將所有可能性測試過,尤其是需要「實驗」的研究,窮舉測試實驗的話,時間成本將難以想像。而這最佳化的AI,除了複雜的模型訓練外,也推薦讀者們可以搜尋看看SSO演算法(Simplified Swarm Optimization),這演算法相對簡單好理解,也是種對於最佳化,擬合趨勢的一種演算法,供參考研究與學習。
撰文:徐楷昕
參考資料:
留言
張貼留言