Inteligencia Artificialinvestigación científicamodelos de fundaciónPolymathic AItransparencia

Polymathic AI: La nueva frontera de la inteligencia artificial en la ciencia

polymathic

Un equipo internacional de científicos ha lanzado Polymathic AI, un proyecto que aspira a utilizar la tecnología de modelos de lenguaje, similar a la que alimenta ChatGPT, para avanzar en la investigación científica.

El proyecto reúne a investigadores de instituciones de renombre como la Universidad de Cambridge, la Fundación Simons y su Instituto Flatiron, la Universidad de Nueva York, la Universidad de Princeton y el Laboratorio Nacional Lawrence Berkeley. El equipo multidisciplinario incluye expertos en física, astrofísica, matemáticas, inteligencia artificial y neurociencia.

Polymathic AI tiene como objetivo utilizar datos numéricos y simulaciones físicas para asistir en la modelización de fenómenos científicos que van desde estrellas supergigantes hasta el clima terrestre. A diferencia de otros proyectos de IA que se centran en casos de uso específicos, este busca ser un recurso multidisciplinario.

El proyecto se basa en modelos de fundación preentrenados, similares a ChatGPT, pero con diferencias clave. Mientras que ChatGPT se centra en el procesamiento del lenguaje natural, Polymathic AI se entrenará con conjuntos de datos científicos reales, tratando los números como datos numéricos y no solo como caracteres.

Uno de los principales obstáculos para la investigación en modelos de fundación a gran escala ha sido la potencia computacional necesaria. Polymathic AI ha superado este desafío gracias a la colaboración con la Fundación Simons, que ha proporcionado recursos únicos para el prototipado de estos modelos.

Entre los proyectos que ya usan Polymathic AI, tenemos:

xVal: Codificación Continua de Números para LLMs

Este proyecto introduce xVal, un nuevo esquema de codificación numérica para Modelos de Lenguaje de Fundación (LLMs, por sus siglas en inglés). Utilizar xVal con un método de inferencia numérica modificado convierte a los LLMs en aproximadores de funciones continuas, lo que mejora su sesgo inductivo para el análisis de datos en dominios científicos.

Aceleración del Desarrollo de Modelos Sustitutos con Preentrenamiento de Múltiples Físicas

Este enfoque introduce el Preentrenamiento de Múltiples Físicas como una nueva metodología para desarrollar modelos sustitutos físicos grandes y ajustables. Utiliza un esquema de normalización y embebido incorporado para permitir el aprendizaje de múltiples dinámicas físicas con un solo modelo.

AstroCLIP: Conexión de Diversas Modalidades Observacionales en Astrofísica

AstroCLIP es una estrategia de aprendizaje auto-supervisado que conecta diversas modalidades observacionales en astrofísica. Al alinear representaciones cruzadas de galaxias en un espacio compartido, el proyecto es capaz de realizar búsquedas cruzadas y predicciones competitivas de tiro cero en tareas posteriores.

Estos proyectos demuestran la versatilidad y el alcance de Polymathic AI en diferentes campos de la ciencia, desde la física hasta la astrofísica, ofreciendo soluciones más eficientes y precisas para problemas complejos.

El proyecto pone un fuerte énfasis en la transparencia y la apertura, con planes de hacer públicos todos sus hallazgos. Esto se alinea con el objetivo de democratizar la IA para la ciencia y permitir una colaboración más efectiva entre investigadores de diversos campos.

Recordad que la comunidad de investigadores ya tienen a un gran aliado en el mundo de la IA generativa con perplexity.

 

Más información en arxiv.org y polymathic-ai.org


La noticia Polymathic AI: La nueva frontera de la inteligencia artificial en la ciencia fue publicada originalmente en Wwwhatsnew.com por Juan Diego Polo.

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button