Intel ha annunciato lo scorso 14 settembre una collaborazione triennale di ricerca strategica e co-innovazione con Mila, un istituto di ricerca sull’intelligenza artificiale con sede a Montreal. Come parte di questo rinnovato impegno, più di 20 ricercatori di Intel e Mila si concentreranno sullo sviluppo di tecniche avanzate di intelligenza artificiale per affrontare sfide globali come il cambiamento climatico, la scoperta di nuovi materiali e la biologia digitale.
“Di fronte alle attuali sfide globali, dobbiamo spingere per una cultura della scienza aperta tra il mondo accademico e l’industria per far progredire con successo le applicazioni di intelligenza artificiale a beneficio della società. Siamo entusiasti di collaborare con Intel per esplorare rapidamente materiali nuovi e necessari per migliorare la cattura del carbonio, accelerare la scoperta di farmaci e consentire un futuro più sostenibile“, ha dichiarato Yoshua Bengio, fondatore e direttore scientifico di Mila.
Un approccio responsabile all’AI
Accelerare la ricerca e lo sviluppo di un’intelligenza artificiale avanzata per risolvere alcuni dei problemi più critici e impegnativi del mondo richiede un approccio responsabile all’intelligenza artificiale e la capacità di scalare la tecnologia informatica. In qualità di leader nell’informatica e nell’intelligenza artificiale, e con l’allineamento sull’essere un agente di cambiamento positivo e potente nel nostro mondo, Intel e Mila saranno in grado di raddoppiare i progetti avviati nel 2021, aggiungere una terza traccia e aumentare significativamente il supporto per ottenere risultati tangibili.
“Risolvere problemi complessi come il cambiamento climatico e la scoperta di nuovi materiali richiede una profonda ricerca sull’intelligenza artificiale unita a competenze di dominio e un impegno a far progredire tecnologie informatiche all’avanguardia”, ha dichiarato Kavitha Prasad, vicepresidente e direttore generale di Datacenter, AI and Cloud Execution and Strategy di Intel.
I punti cardine della collaborazione fra Intel e Mila
- Automatizzare la scoperta guidata dall’intelligenza artificiale di nuovi materiali: i progressi nelle tecniche di simulazione chimica, come la teoria della densità funzionale, hanno creato metodi in grado di simulare importanti proprietà di sistemi di materiali complessi. Queste tecniche, tuttavia, sono state limitate nella complessità dei sistemi di materiali che possono modellare data la scala sfavorevole del costo computazionale all’aumentare del numero di atomi. Le tecniche di intelligenza artificiale, in particolare le reti neurali a grafo (GGN), aiutano ad approssimare le simulazioni chimiche con costi computazionali significativamente inferiori, in particolare con l’aumentare delle dimensioni del sistema. Ciò rappresenta un’enorme promessa nell’utilizzo di tecniche simulate abilitate all’intelligenza artificiale per replicare sistemi di materiali di maggiore complessità. La potenziale scoperta di nuovi materiali potrebbe contribuire alla riduzione dei costi e dell’impronta di carbonio.
Intel e Mila collaboreranno allo sviluppo di innovazioni scientifiche e tecnologiche per migliorare le prestazioni dei GGN su simulazioni atomistiche, come il set di dati Open Catalyst. Questi sforzi possono potenzialmente democratizzare la capacità dei ricercatori di interagire con i dati dei materiali atomistici migliorando la relativa pipeline tecnologica. I team di ricerca lavoreranno alla creazione di framework basati sull’apprendimento per cercare efficacemente all’interno dei vasti spazi di ricerca che si trovano nelle applicazioni di progettazione dei materiali. Questi framework possono attingere a idee dall’apprendimento per rinforzo, algoritmi di ricerca, modelli generativi e altri algoritmi di apprendimento automatico, tra cui reti di flusso generativo introdotte da Mila.
- Applicare l’apprendimento automatico causale per la scienza del clima: mentre i modelli climatici standard basati sulla fisica possono aiutare a prevedere gli effetti dei cambiamenti climatici, sono complessi e computazionalmente costosi. Spesso l’esecuzione richiede mesi, anche su hardware di supercalcolo specializzato, il che riduce la frequenza delle esecuzioni di simulazione e la capacità di fornire previsioni granulari e localizzate. Inoltre, questi modelli sono in genere incapaci di spiegare il ragionamento o le relazioni causali alla base delle loro previsioni. Intel e Mila mirano a colmare questa lacuna costruendo un nuovo tipo di emulatore di modelli climatici basato su causale apprendimento automatico per identificare quali variabili sono predittive tra gli input ad alta dimensione ai modelli climatici tradizionali. Il progetto cerca di consentire progressi significativi nella scienza del clima e di informare direttamente la politica consentendo previsioni approfondite e affidabili degli effetti dei cambiamenti climatici.
- Accelerare lo studio dei driver molecolari delle malattie e la scoperta di farmaci: la scoperta di farmaci è un processo lungo che in media costa 2,6 miliardi di dollari per farmaco approvato. Il costo è alto perché trovare una piccola molecola che si lega a un particolare bersaglio è un processo pericoloso e altamente incerto che può richiedere più di un decennio. Inoltre, anche quando viene trovata una molecola, c’è la possibilità che possa fallire nelle fasi successive. I ricercatori Intel e Mila lavoreranno insieme per identificare molecole candidate a farmaci migliori in modo più rapido e semplice. Ad esempio, la previsione di fenotipi complessi, comprese le malattie basate sul genotipo dei polimorfismi a singolo nucleotide (SNP), è stata una sfida di lunga data nella biologia digitale perché la maggior parte dei fenotipi sono influenzati da molti SNP in tutto il genoma. Il principale la sfida computazionale consiste nell’apprendere congiuntamente gli effetti causali di tutti gli SNP nel genoma sui fenotipi, utilizzando dati di popolazione su larga scala.
La soluzione esatta ha uno spazio di ricerca di dimensioni esponenziali al numero di SNP. Con milioni di SNP rilevati, la soluzione esatta è computazionalmente intrattabile. Tuttavia, con la disponibilità di dati ad alta risoluzione, l’avvento di scoperte nell’AI e la crescita della densità di calcolo guidata dalla legge di Moore, Intel e Mila prevedono di sviluppare tecniche di intelligenza artificiale per:
- comprendere i driver molecolari alla base delle malattie, prevedendo fenotipi complessi, comprese le malattie basate sul genotipo degli SNP.
- identificare le molecole di farmaci più promettenti. Le nuove tecniche di intelligenza artificiale implementate da Intel e Mila aspirano a ridurre significativamente questo costo e portare i farmaci trasformativi sul mercato prima.
