了解人工智能的思维以制造更好的抗生素
人工智能 (AI) 已迅速流行起来。它为帮助我们驾驶汽车、校对电子邮件甚至设计新药物分子的模型提供支持。但就像人类一样，我们很难读懂人工智能的想法。可解释人工智能 (XAI) 是该技术的一个子集，它可以通过证明模型决策的合理性来帮助我们做到这一点。现在，研究人员正在使用 XAI 不仅更仔细地审查预测性人工智能模型，而且还更深入地研究化学领域。
研究人员在美国化学学会秋季会议上展示了他们的研究成果。
人工智能的广泛用途使其在当今的技术领域几乎无处不在。然而，许多人工智能模型都是黑匣子，这意味着不清楚产生结果的具体步骤。当结果类似于潜在的药物分子时，不了解这些步骤可能会引起科学家和公众的怀疑。
曼尼托巴大学化学教授丽贝卡·戴维斯解释说：“作为科学家，我们喜欢证明。如果我们能提出一些模型，帮助深入了解人工智能如何做出决策，那么科学家就有可能更适应这些方法。”
提供这种理由的一种方法是使用 XAI。这些机器学习算法可以帮助我们了解 AI 决策的幕后情况。尽管 XAI 可以应用于各种情况，但 Davis 的研究重点是将其应用于药物发现的 AI 模型，例如用于预测新抗生素候选物的模型。
考虑到需要筛选和拒绝数千种候选分子才能批准一种新药，而且抗生素耐药性对现有药物的功效构成了持续威胁，准确而有效的预测模型至关重要。
“我想利用 XAI 来更好地了解我们需要什么信息来教计算机化学，”戴维斯实验室化学研究生 Hunter Sturm 在会议上介绍这项工作时说道。
研究人员首先将已知药物分子的数据库输入 AI 模型，该模型可以预测某种化合物是否会产生生物学效应。然后，他们使用德国卡尔斯鲁厄理工学院的合作者 Pascal Friederich 开发的 XAI 模型来检查导致模型做出预测的药物分子的特定部分。
根据模型，这有助于解释为什么某种特定分子具有活性或不具有活性，也有助于戴维斯和斯特姆理解人工智能模型可能认为什么是重要的，以及它在检查了许多不同的化合物后如何创建类别。
研究人员意识到，XAI 能够发现人类可能忽略的东西；它能够同时考虑比人脑多得多的变量和数据点。例如，在筛选一组青霉素分子时，XAI 发现了一些有趣的东西。
页:
[1]