出品 | 技术栈（微信号：blog51cto）
太酷了，12日消息，麻省理工大学研究团队发表了一篇新的研究结果。研究发现：通过大模型的加持，科学和艺术竟然存在某种隐藏联系，进而可以生成新的生物材料。
基于图形的人工智能模型（中）建议创建一种新的基于菌丝体的生物材料（右），其灵感来自于瓦西里·康定斯基的画作《第七幅作品》（左）马库斯·布勒（Markus Buehler）在其新人工智能系统的帮助下（中、右）
1.图推理拉高AI科学新高度
近日，MIT教授Markus Buehler开发的一种名为GraphReasoning（图推理）的人工智能方法，并进行了两项非常nice的实验。其中一项实验，揭示了生物材料和贝多芬第九交响曲之间的结构相似性，通过同构映射突出了共同的复杂性模式。在另一个例子中，该算法提出了一种基于路径采样和从康定斯基的“第七幅作品”绘画中提取的原理的分层菌丝体复合材料。
新的 AI 方法使用基于类别理论启发的方法的图表作为理解科学中符号关系的核心机制。此图显示了一个这样的图表以及它如何映射相关思想和概念的关键点。
想象一下，使用人工智能来比较两个看似毫无关联的创作——生物组织和贝多芬的《第九交响曲》。乍一看，生命系统和音乐杰作似乎毫无关联。然而，麻省理工学院 McAfee 工程学教授、土木与环境工程和机械工程教授 Markus J. Buehler 开发的一种新颖的人工智能方法弥补了这一差距，揭示了复杂性和秩序的共同模式。
“通过将生成式人工智能与基于图形的计算工具相结合，这种方法揭示了以前无法想象的全新想法、概念和设计。我们可以通过教导生成式人工智能对从未见过的想法、概念和设计做出新颖的预测来加速科学发现，”Buehler 说。
这项研究最近发表在《机器学习：科学与技术》，展示了一种集成生成知识提取、基于图形的表示和多模态智能图形推理的先进人工智能方法，大家可以开放获取。
2.范畴论引导模型识别科学符号
这项研究使用受范畴论启发的方法开发的图谱作为核心机制，教导模型理解科学中的符号关系。范畴论是数学的一个分支，它研究抽象结构及其之间的关系，它通过关注对象及其相互作用而不是其具体内容，为理解和统一不同的系统提供了一个框架。
在范畴论中，系统被视为对象（可以是任何东西，从数字到更抽象的实体，如结构或过程）和态射（定义这些对象之间关系的箭头或函数）。通过使用这种方法，Buehler 能够教会人工智能模型系统地推理复杂的科学概念和行为。通过态射引入的符号关系清楚地表明，人工智能不仅仅是进行类比，而且还在进行更深层次的推理，将抽象结构映射到不同的领域。
Buehler 使用这种新方法分析了 1,000 篇有关生物材料的科学论文，并将其转化为图形形式的知识图谱。该图谱揭示了不同信息之间的联系，并能够找到将许多概念联系在一起的相关思想和关键点。
“真正有趣的是，图谱遵循无标度特性，具有高度连通性，可以有效地用于图推理，”Buehler 说道。“换句话说，我们教人工智能系统思考基于图谱的数据，以帮助它们构建更好的世界表征模型，并增强思考和探索新想法的能力，从而实现发现。”
研究人员可以使用该框架来回答复杂的问题，发现当前知识的空白，提出新的材料设计，预测材料的行为方式，并将以前从未连接过的概念联系起来。
人工智能模型发现生物材料和《第九交响曲》之间存在意想不到的相似之处，表明两者都遵循复杂的模式。“与生物材料中的细胞以复杂但有组织的方式相互作用以发挥功能的方式类似，贝多芬的《第九交响曲》通过安排音符和主题来创造复杂但连贯的音乐体验，”Buehler 说。
在另一项实验中，基于图形的人工智能模型建议创造一种新的生物材料，其灵感来自瓦西里·康定斯基的画作《构图 VII》中的抽象图案。人工智能建议制造一种新的基于菌丝体的复合材料。
Buehler 指出：“这种材料结合了一系列创新概念，包括混乱与秩序的平衡、可调节的特性、孔隙率、机械强度和复杂图案的化学功能。”通过从一幅抽象画中汲取灵感，人工智能创造了一种材料，它在强度和功能之间取得平衡，同时还具有适应性，能够发挥不同的作用。该应用可以促进创新的可持续建筑材料、可生物降解的塑料替代品、可穿戴技术，甚至生物医学设备的开发。
借助这种先进的人工智能模型，科学家可以从音乐、艺术和技术中汲取见解，分析这些领域的数据，以识别隐藏的模式，这些模式可能会为材料设计、研究甚至音乐或视觉艺术带来无限的创新可能性。
Buehler 表示：“基于图谱的生成式人工智能比传统方法具有更高的创新性、探索能力和技术细节，并通过揭示隐藏的联系建立了一个广泛有用的创新框架。这项研究不仅为仿生材料和力学领域做出了贡献，而且为未来奠定了基础，未来，由人工智能和知识图谱驱动的跨学科研究可能会成为科学和哲学探究的工具，我们期待着未来的其他工作。”
实验中用到的模型有GPT-4o、Claude、Mistral等，这篇研究论文有很多精彩内容，如果想了解更多，可以参考原文：
想了解更多AIGC的内容，请访问：
AI.x社区