Masalah dalam mempelajari alam semesta di sekitar kita adalah bahwa ia terlalu besar. Bintang-bintang di atas kepala tetap terlalu jauh untuk berinteraksi secara langsung, jadi kami diturunkan untuk menguji teori kami tentang pembentukan galaksi berdasarkan data yang dapat diamati.

Mensimulasikan benda-benda langit ini di komputer telah terbukti sebagai bantuan yang sangat berguna untuk memahami sifat realitas dan, seperti yang dijelaskan Andrew Pontzen dalam buku barunya, The Universe in a Box: Simulations and the Quest to Code the Cosmos, kemajuan terbaru dalam teknologi superkomputer semakin merevolusi kemampuan kita untuk memodelkan kompleksitas kosmos (belum lagi segudang tantangan berbasis Bumi) dalam skala yang lebih kecil. Dalam kutipan di bawah, Pontzen melihat kemunculan baru-baru ini dari sistem AI yang berfokus pada astronomi, apa yang mampu mereka capai di lapangan dan mengapa dia tidak terlalu khawatir akan kehilangan pekerjaannya.

Buku Ujung Sungai

Diadaptasi dari THE UNIVERSE IN A BOX: Simulations and the Quest to Code the Cosmos oleh Andrew Pontzen diterbitkan pada 13 Juni 2023 oleh Riverhead, sebuah cetakan dari Penguin Publishing Group, sebuah divisi dari Penguin Random House LLC. Hak Cipta © 2023 Andrew Pontzen.

Sebagai ahli kosmologi, saya menghabiskan sebagian besar waktu saya bekerja dengan superkomputer, membuat simulasi alam semesta untuk dibandingkan dengan data dari teleskop sungguhan. Tujuannya adalah untuk memahami efek zat misterius seperti materi gelap, tetapi tidak ada manusia yang dapat mencerna semua data yang tersimpan di alam semesta, atau semua hasil dari simulasi. Oleh karena itu, kecerdasan buatan dan pembelajaran mesin adalah bagian penting dari pekerjaan kosmolog.

Pertimbangkan Observatorium Vera Rubin, sebuah teleskop raksasa yang dibangun di atas gunung Chili dan dirancang untuk berulang kali memotret langit selama dekade mendatang. Ini tidak hanya membangun gambaran statis: ini terutama akan mencari objek yang bergerak (asteroid dan komet), atau mengubah kecerahan (bintang yang berkedip, quasar, dan supernova), sebagai bagian dari kampanye berkelanjutan kami untuk memahami kosmos yang selalu berubah. Pembelajaran mesin dapat dilatih untuk menemukan objek-objek ini, memungkinkannya untuk dipelajari dengan teleskop lain yang lebih terspesialisasi. Teknik serupa bahkan dapat membantu menyaring kecerahan yang berubah-ubah dari sejumlah besar bintang untuk menemukan tanda-tanda planet yang menjadi tuan rumah, berkontribusi pada pencarian kehidupan di alam semesta. Di luar astronomi, tidak ada kekurangan aplikasi ilmiah: anak perusahaan kecerdasan buatan Google, DeepMind, misalnya, telah membangun jaringan yang dapat mengungguli semua teknik yang diketahui untuk memprediksi bentuk protein mulai dari struktur molekulnya, langkah penting dan sulit dalam memahami banyak biologi. proses.

Contoh-contoh ini mengilustrasikan mengapa kegembiraan ilmiah seputar pembelajaran mesin telah berkembang selama abad ini, dan ada klaim kuat bahwa kita sedang menyaksikan revolusi ilmiah. Sejak tahun 2008, Chris Anderson menulis sebuah artikel untuk majalah Wired yang menyatakan bahwa metode ilmiah, di mana manusia mengusulkan dan menguji hipotesis tertentu, sudah usang: ‘Kita dapat berhenti mencari model. Kita dapat menganalisis data tanpa hipotesis tentang apa yang mungkin ditunjukkannya. Kita dapat memasukkan angka-angka tersebut ke dalam kluster komputasi terbesar yang pernah ada di dunia dan membiarkan algoritme statistik menemukan pola yang tidak dapat ditemukan oleh sains.’

Saya pikir ini terlalu jauh. Pembelajaran mesin dapat menyederhanakan dan meningkatkan aspek-aspek tertentu dari pendekatan ilmiah tradisional, terutama di mana pemrosesan informasi yang kompleks diperlukan. Atau dapat mencerna teks dan menjawab pertanyaan faktual, seperti yang diilustrasikan oleh sistem seperti ChatGPT. Tapi itu tidak bisa sepenuhnya menggantikan penalaran ilmiah, karena ini tentang pencarian pemahaman yang lebih baik tentang alam semesta di sekitar kita. Menemukan pola baru dalam data atau menyatakan kembali fakta yang ada hanyalah aspek sempit dari pencarian itu. Ada jalan panjang sebelum mesin dapat melakukan sains yang berarti tanpa pengawasan manusia.

Untuk memahami pentingnya konteks dan pemahaman dalam sains, pertimbangkan kasus eksperimen OPERA yang pada tahun 2011 tampaknya menentukan bahwa neutrino bergerak lebih cepat daripada kecepatan cahaya. Klaim tersebut dekat dengan penghujatan fisika, karena relativitas harus ditulis ulang; batas kecepatan merupakan bagian integral dari perumusannya. Mengingat banyaknya bukti eksperimental yang mendukung relativitas, meragukan fondasinya bukanlah langkah yang bisa dianggap enteng.

Mengetahui hal ini, fisikawan teoretis mengantre untuk mengabaikan hasilnya, mencurigai neutrino sebenarnya bergerak lebih lambat dari pengukuran yang ditunjukkan. Namun, tidak ada masalah dengan pengukuran yang dapat ditemukan – hingga, enam bulan kemudian, OPERA mengumumkan bahwa ada kabel yang terlepas selama eksperimen mereka, yang menyebabkan perbedaan tersebut. Neutrino bergerak tidak lebih cepat dari cahaya; data yang menunjukkan sebaliknya salah.

Data yang mengejutkan dapat mengarah pada pengungkapan dalam situasi yang tepat. Planet Neptunus ditemukan ketika para astronom melihat sesuatu yang salah dengan orbit planet lain. Tetapi jika klaim tidak sesuai dengan teori yang ada, kemungkinan besar ada kesalahan pada data; ini adalah firasat yang dipercaya fisikawan saat melihat hasil OPERA. Sulit untuk memformalkan reaksi seperti itu menjadi aturan sederhana untuk memprogram ke dalam kecerdasan komputer, karena ini berada di tengah-tengah antara dunia mengingat-pengetahuan dan dunia pencarian pola.

Elemen sains manusia tidak akan direplikasi oleh mesin kecuali mereka dapat mengintegrasikan pemrosesan data fleksibel mereka dengan korpus pengetahuan yang lebih luas. Ada ledakan pendekatan yang berbeda terhadap tujuan ini, sebagian didorong oleh kebutuhan komersial akan kecerdasan komputer untuk menjelaskan keputusan mereka. Di Eropa, jika sebuah mesin membuat keputusan yang memengaruhi Anda secara pribadi – mungkin menolak permohonan hipotek Anda, atau meningkatkan premi asuransi Anda, atau menarik Anda ke bandara – Anda memiliki hak hukum untuk meminta penjelasan. Penjelasan itu harus menjangkau di luar dunia data yang sempit untuk terhubung ke perasaan manusia tentang apa yang masuk akal atau tidak masuk akal.

Masalahnya, seringkali tidak mungkin untuk menghasilkan laporan lengkap tentang bagaimana sistem pembelajaran mesin mencapai keputusan tertentu. Mereka menggunakan banyak informasi berbeda, menggabungkannya dengan cara yang rumit; satu-satunya deskripsi yang benar-benar akurat adalah menuliskan kode komputer dan menunjukkan cara mesin itu dilatih. Itu akurat tetapi tidak terlalu jelas. Di sisi ekstrim yang lain, orang mungkin menunjuk pada faktor jelas yang mendominasi keputusan mesin: Anda adalah perokok seumur hidup, mungkin, dan perokok seumur hidup lainnya meninggal dalam usia muda, sehingga Anda ditolak untuk mendapatkan asuransi jiwa. Itu adalah penjelasan yang lebih berguna, tetapi mungkin tidak terlalu akurat: perokok lain dengan riwayat pekerjaan dan rekam medis yang berbeda telah diterima, jadi apa bedanya? Menjelaskan keputusan dengan cara yang bermanfaat membutuhkan keseimbangan antara akurasi dan kelengkapan.

Dalam kasus fisika, menggunakan mesin untuk membuat penjelasan yang dapat dicerna dan akurat yang didasarkan pada undang-undang dan kerangka kerja yang ada adalah pendekatan yang masih dalam tahap awal. Ini dimulai dengan tuntutan yang sama seperti kecerdasan buatan komersial: mesin tidak hanya harus menunjukkan keputusannya (bahwa ia telah menemukan supernova baru, katakanlah) tetapi juga memberikan sejumlah kecil informasi yang dapat dicerna tentang mengapa ia mencapai keputusan itu. Dengan begitu, Anda dapat mulai memahami apa yang terkandung dalam data yang mendorong kesimpulan tertentu, dan melihat apakah itu sesuai dengan ide dan teori sebab dan akibat Anda yang ada. Pendekatan ini telah mulai membuahkan hasil, menghasilkan wawasan sederhana namun bermanfaat ke dalam mekanika kuantum, teori string, dan (dari kolaborasi saya sendiri) kosmologi.

Aplikasi ini semuanya masih dibingkai dan ditafsirkan oleh manusia. Bisakah kita membayangkan sebaliknya memiliki komputer membingkai hipotesis ilmiahnya sendiri, menyeimbangkan data baru dengan bobot teori yang ada, dan terus menjelaskan penemuannya dengan menulis makalah ilmiah tanpa bantuan manusia? Ini bukanlah visi Anderson tentang masa depan sains yang bebas teori, tetapi tujuan yang lebih menggairahkan, lebih mengganggu, dan jauh lebih sulit: agar mesin membangun dan menguji teori baru di atas pemahaman manusia selama ratusan tahun.

Semua produk yang direkomendasikan oleh Engadget dipilih oleh tim editorial kami, terlepas dari perusahaan induk kami. Beberapa cerita kami menyertakan tautan afiliasi. Jika Anda membeli sesuatu melalui salah satu tautan ini, kami dapat memperoleh komisi afiliasi. Semua harga adalah benar pada saat penerbitan.