Как искусственный интеллект помогает российским учёным в геофизике и медицине

Научные исследования всё чаще сталкиваются с необходимостью обработки колоссальных объёмов данных, где ключевой задачей становится выявление скрытых закономерностей. Традиционные методы анализа не всегда справляются с этой работой эффективно, поскольку интерпретация информации во многом зависит от субъективного взгляда исследователя. Именно здесь на помощь приходят технологии искусственного интеллекта, способные автоматизировать поиск связей в данных и ускорить научный прогресс.

Поиск геотермальной энергии с помощью ИИ

Яркий пример применения машинного обучения в геофизике — проект по поиску геотермальных источников на Камчатке и Курильских островах. Исследовательская группа под руководством профессора Ивана Кулакова из Сколтеха, включая Марию Смирнову, планирует использовать ML-методы для анализа сейсмических данных. В настоящее время этот процесс выполняется вручную: геофизики измеряют сейсмические волны в различных точках вулканически активных регионов, чтобы обнаружить участки, где близко к поверхности залегают геотермальные воды.

Автоматизация с помощью искусственного интеллекта потенциально может сделать поиск таких зон значительно быстрее и точнее. Это важно, поскольку геотермальные электростанции обладают существенными преимуществами: они не требуют дорогостоящей доставки топлива, а их выработка энергии стабильна круглосуточно в течение всего года, в отличие от солнечных и ветровых электростанций. Таким образом, ИИ помогает решить практическую задачу по обеспечению удалённых регионов устойчивой энергией.

Нейросети в эпидемиологическом прогнозировании

В медицинской сфере искусственный интеллект также находит применение, особенно в области эпидемиологии. Проект Дарьи Неверовой из Математического института им. С. М. Никольского РУДН направлен на использование ML-методов для анализа больших данных о распространении инфекций. Пандемия COVID-19 показала ограничения традиционных математических моделей, которые часто упрощают реальные процессы, например, не учитывают такие факторы, как массовое использование масок, которое может резко снижать скорость заболевания.

Нейросети, в отличие от классических моделей, способны выявлять закономерности непосредственно из данных, даже если эти закономерности не были заранее описаны исследователями математически. Это открывает путь к созданию более гибких, детализированных и адаптивных систем прогнозирования, которые лучше соответствуют реальной динамике эпидемий и могут оперативно реагировать на изменяющиеся условия.

Внедрение искусственного интеллекта в естественные науки — общемировая тенденция. Например, в прошлом году анализ данных телескопа «Хаббл» с помощью нейросетей, обученных на поиск аномалий, позволил быстро идентифицировать около 800 необычных астрономических объектов. По данным опросов, уже 87% учёных по всему миру применяли большие языковые модели в своей работе в прошлом году.

Эффективность ИИ в науке наиболее высока, когда технологии используются экспертами, которые сочетают глубокие знания в своей предметной области с компетенциями в машинном обучении. Для получения таких навыков исследователям необходимо специальное образование. Например, над упомянутыми проектами работают студенты специального трека Школы анализа данных Яндекса, где учёные осваивают ИИ на прикладных задачах в своих областях. На эту образовательную программу в настоящее время открыт набор, что способствует подготовке нового поколения исследователей, готовых к интеграции передовых технологий в научную практику.