
بعدی- رمزگشایی اجزای سازنده بدن انسان از باستان شناسی؛ هوش مصنوعی در مهم ترین اکتشافات سال ۲۰۲۴ نقش داشته است.
به گزارش CNN، هزاران طومار باستانی در سرتاسر جهان وجود دارد که اگر کسی بخواهد آنها را باز کند، کاملاً متلاشی می شود و غیرقابل خواندن می شود. طومارهای هرکولانیوم هنوز کشف نشده است، اما به لطف هوش مصنوعی، محتویات آنها اکنون در دسترس دانشمندان و باستان شناسان قرار گرفته است. سه محقق با استفاده از هوش مصنوعی و اشعه ایکس با وضوح بالا، بیش از ۲۰۰۰ نشانه از این طومارها را در سال ۲۰۲۳ حل کردند. طومارها متعلق به خانواده پدرزن ژولیوس سزار بوده و حاوی مجموعه ای بی سابقه از اطلاعات در مورد روم و یونان باستان است. دانشمندان کامپیوتر چالشی را برای سرعت بخشیدن به روند رمزگشایی این طومارها ایجاد کرده اند و امیدوارند تا پایان سال ۲۰۲۴ ۹۰ درصد از چهار طومار رمزگشایی شوند.
برنت سیلز، استاد علوم کامپیوتر در دانشگاه کنتاکی که بیش از یک دهه است روی این مقاله کار میکند، میگوید: «هوش مصنوعی میتواند به ما در بهبود خوانایی جوهر کمک کند. هوش مصنوعی می تواند جوهر را بدون آسیب رساندن به صفحات تقطیر و غلیظ کند و حروف ناخوانا را پر کند. این پروژه یکی از نمونه های درخشان استفاده روزافزون از هوش مصنوعی در اکتشافات علمی است. سیلز توضیح داد: «من هوش مصنوعی را ابرقدرتی میدانم که به ما امکان میدهد چیزهایی را در دادهها ببینیم که چشم انسان قادر به دیدن آنها نیست. هوش مصنوعی همچنین درک دانشمندان را از نحوه ارتباط حیوانات در ته اقیانوس گسترش داده است، به باستان شناسان کمک کرده تا مکان های جدیدی را در سرزمین های دور پیدا کنند و برخی از بزرگترین چالش های زیست شناسی را حل کرده است.
محققان میدانند که صداهای تولید شده توسط نهنگها از نظر سرعت، ریتم و طول متفاوت است، اما آنچه که حیوانات با این صداها میگویند برای گوش انسان یک راز باقی مانده است. با این حال، هوش مصنوعی به دانشمندان کمک کرده است تا نزدیک به ۹۰۰۰ توالی صوتی ضبط شده را تجزیه و تحلیل کنند که صدای حدود ۶۰ نهنگ در دریای کارائیب را نشان می دهد. این تحقیق ممکن است روزی به انسان اجازه دهد تا با حیوانات دریایی ارتباط برقرار کند. دانشمندان زمان و فرکانس صداها را در مکالمات بین نهنگها، در گروههای کر و در پاسخهای تماس بین آنها مطالعه کردهاند. با کمک هوش مصنوعی، الگوهای صوتی که قبلا نادیده گرفته شده بودند، پدیدار شدند. البته، در حالی که هوش مصنوعی در تشخیص الگوها ماهر است، نمی تواند معنای صداها را رمزگشایی کند. گام بعدی در این تحقیق یک آزمایش تعاملی با نهنگ ها به همراه مشاهده رفتار نهنگ است که ممکن است بخش مهمی از شناسایی توالی های مختلف صداهای تولید شده توسط نهنگ ها باشد. این رویکرد را می توان برای سایر صداهای حیوانات نیز به کار برد.
در همین حال، در خشکی، هوش مصنوعی به دنبال خطوط و نمادهای اسرارآمیز حک شده در خاک غبارآلود صحرای نازکا پرو است که باستان شناسان نزدیک به یک قرن است که آنها را کشف و مستند می کنند. این خطوط پراکنده اغلب فقط از بالا قابل مشاهده هستند و طرح های هندسی، پیکره های انسان نما و حتی تصویر یک نهنگ قاتل را به تصویر می کشند. تیمی از محققان به سرپرستی ماساتو ساکای، استاد باستانشناسی در دانشگاه یاماگاتا در ژاپن، یک مدل هوش مصنوعی تشخیص شی را با تصاویری با وضوح بالا از ۴۳۰ علامت نازکا که در سال ۲۰۲۰ نقشهبرداری شدهاند، آموزش دادند. این تیم دقت مدل خود را در صحرای نازکا آزمایش کردند و مکانهای امیدوارکننده را با پای پیاده و با استفاده از هواپیماهای بدون سرنشین کاوش کردند. هوش مصنوعی ۴۷۰۰۰ مکان بالقوه را از منطقه بیابانی به مساحت ۶۲۹ کیلومتر مربع پیشنهاد کرد. تیمی از باستان شناسان این پیشنهادات را بررسی و رتبه بندی کردند و ۱۳۰۹ سایت با پتانسیل بالا را شناسایی کردند. طبق این مطالعه، از هر ۳۶ پیشنهاد ارائه شده توسط مدل هوش مصنوعی، محققان یک نامزد امیدوارکننده را شناسایی کردند.
آمینه جامباجانتسان، محقق و دانشمند داده، گفت: «هوش مصنوعی میتواند کمک زیادی به باستانشناسی بهویژه در مناطق دورافتاده و خشن مانند بیابانها کند، اما مدلها هنوز کاملاً دقیق نیستند.» جامباجانتسان در مطالعه نازکا شرکت نداشت، اما از یک مدل هوش مصنوعی برای شناسایی گورستان ها در مغولستان بر اساس تصاویر ماهواره ای استفاده می کند. جامباجانتسان افزود: مشکل این است که باستان شناسان نمی دانند چگونه یک مدل یادگیری ماشین بسازند و دانشمندان داده معمولاً علاقه ای به باستان شناسی ندارند زیرا می توانند در زمینه های دیگر درآمد بیشتری کسب کنند.
مدلهای هوش مصنوعی به محققان کمک میکنند تا زندگی را در کوچکترین مقیاس آن درک کنند: مجموعهای از مولکولها که پروتئینها را میسازند، یا بلوکهای سازنده حیات. اگرچه پروتئین ها تنها از حدود ۲۰ اسید آمینه تشکیل شده اند، اما می توان آنها را به روش های تقریبا بی نهایت ترکیب کرد و می توان آنها را در الگوهای بسیار پیچیده در فضای سه بعدی جمع کرد. این مواد به تشکیل سلول های مو، پوست و بافت کمک می کنند. آنها DNA را می خوانند، کپی می کنند و ترمیم می کنند و به حمل اکسیژن در خون کمک می کنند. برای چندین دهه، رمزگشایی این ساختارهای سه بعدی یک کار دشوار و زمان بر بوده که شامل آزمایشات پیچیده و تکنیکی به نام کریستالوگرافی اشعه ایکس است.
با این حال، در سال ۲۰۱۸، یک ابزار مبتنی بر هوش مصنوعی وارد صحنه شد. آخرین نسخه از پایگاه داده ساختار پروتئین آلفا فولد که توسط دمیس خابیس و جان جامپر در لندن توسعه یافته است، ساختار تقریباً تمام ۲۰۰ میلیون پروتئین شناخته شده را از توالی اسیدهای آمینه پیش بینی می کند. این پایگاه داده که با تمام توالی های اسید آمینه شناخته شده و ساختارهای پروتئینی به طور تجربی تعیین شده آموزش دیده است، مانند جستجوی گوگل کار می کند. این هوش مصنوعی با کلیک یک دکمه به مدلهای پیشبینیشده پروتئینها دسترسی پیدا میکند و پیشرفت در زیستشناسی پایه و سایر زمینههای مرتبط از جمله پزشکی را تسریع میکند. این ابزار توسط حداقل ۲ میلیون محقق در سراسر جهان استفاده شده است.
البته این ابزار محدودیت هایی نیز دارد. تلاش برای اعمال آلفافولد به پروتئینهای مبتنی بر توالیهای جهشیافته، از جمله توالیهای مرتبط با سرطان پستان اولیه، تأیید کرد که این نرمافزار برای پیشبینی عواقب جهشهای جدید در پروتئینها مجهز نیست. Alpha Fold تنها محبوب ترین ابزار هوش مصنوعی است که در زمینه های پزشکی استفاده می شود. یادگیری ماشینی تلاشها را برای برداشت انواع سلولها در بدن انسان و یافتن مولکولهایی که میتوانند به داروهای جدید تبدیل شوند، از جمله آنتیبیوتیکهایی که علیه باکتریهای مقاوم به دارو عمل میکنند، تسریع میکند.