• Cercetătorii de la University of Pennsylvania au creat o metodă AI numită Mollifier Layers, gândită pentru probleme științifice în care cauza trebuie dedusă din efect
• Tehnica ajută la rezolvarea unor ecuații diferențiale parțiale inverse, folosite în biologie, materiale, fluide, vreme și alte sisteme complexe
• Noutatea nu este un model AI uriaș, ci o soluție matematică mai elegantă: datele sunt netezite înainte ca algoritmul să calculeze schimbările
• Prima miză practică este studiul cromatinei, forma compactată a ADN-ului, unde metoda ar putea ajuta la înțelegerea unor procese legate de gene, îmbătrânire și boală
• Descoperirea nu înseamnă că AI-ul „a descifrat natura”, ci că oamenii de știință au primit o unealtă mai bună pentru a investiga mecanisme greu de observat direct

Cercetătorii de la University of Pennsylvania au dezvoltat o metodă AI care încearcă să facă unul dintre cele mai dificile lucruri din știință: să vadă efectul și să reconstruiască, matematic, cauza. Tehnica se numește Mollifier Layers și este destinată problemelor inverse, adică situațiilor în care nu știi exact regulile sistemului, dar poți observa urmele pe care le lasă.

Vivek Shenoy, profesor la Penn Engineering și autor senior al studiului, a explicat metoda printr-o imagine ușor de prins: vezi valurile de pe un iaz și încerci să afli unde a căzut piatra. Efectul este acolo, la suprafață. Cauza este ascunsă. Potrivit comunicatului publicat de Penn Engineering, studiul a fost acceptat în Transactions on Machine Learning Research și urmează să fie prezentat la NeurIPS 2026.

În centrul descoperirii se află ecuațiile diferențiale parțiale inverse. Numele sună ca o ușă încuiată într-un departament de matematică, dar ideea este mai simplă. Ecuațiile diferențiale descriu cum se schimbă lucrurile: cum se răcește o cafea, cum se propagă căldura, cum se mișcă un fluid sau cum evoluează o populație. Ecuațiile diferențiale parțiale fac asta în timp și spațiu, deci sunt folosite pentru fenomene mai complicate, precum vremea, materialele sau procesele biologice.

Varianta inversă întoarce problema pe dos. În loc să spui „știu regulile, deci prezic rezultatul”, spui „văd rezultatul, deci încerc să aflu regulile”. Este diferența dintre a urma o rețetă și a gusta o prăjitură ca să ghicești ingredientele, temperatura cuptorului și cât timp a stat la copt.

Pentru inteligența artificială, asta este o provocare majoră. Datele reale nu vin curate, elegante și cuminți. Vin cu zgomot, erori de măsurare, imagini imperfecte și sisteme care se schimbă în mai multe direcții deodată. Exact aici încearcă noua metodă să ajute.

Marea problemă era zgomotul matematic, nu lipsa de putere brută

În AI, soluția preferată a industriei este adesea „mai mult”: mai multe date, mai multe GPU-uri, modele mai mari, centre de date mai flămânde de energie. Echipa Penn a ales o altă cale. Vinayak Vinayak, doctorand și co-autor principal al studiului, spune că unele probleme științifice cer matematică mai bună, nu doar mai multă putere de calcul.

Aici intră în scenă derivatele. O derivată măsoară schimbarea. Viteza este o schimbare a poziției. Accelerația este o schimbare a vitezei. În sistemele complexe, cercetătorii au nevoie adesea de derivate de ordin înalt, adică măsurători ale schimbărilor din spatele altor schimbări.

Problema este că AI-ul calculează frecvent aceste derivate printr-o tehnică numită automatic differentiation. Este utilă, dar în probleme inverse dificile poate deveni instabilă. Dacă datele sunt zgomotoase, fiecare calcul succesiv poate amplifica imperfecțiunile. E ca și cum ai da zoom pe o fotografie neclară, apoi încă o dată, apoi încă o dată, până când nu mai vezi obiectul, ci doar pixelii care se ceartă între ei.

Studiul „Mollifier Layers: Enabling Efficient High-Order Derivatives in Inverse PDE Learning”, semnat de Vinayak Vinayak, Ananyae Kumar Bhartari și Vivek B. Shenoy, arată că metodele clasice pot deveni costisitoare în memorie, lente la antrenare și mai fragile atunci când trebuie să estimeze parametri ascunși din date imperfecte.

Așadar, noutatea nu este că cercetătorii au pus un AI mai mare să muncească mai mult. Noutatea este că au schimbat unealta cu care AI-ul măsoară schimbarea. Uneori, pentru a auzi semnalul, nu ai nevoie de un difuzor mai mare, ci de mai puțin zgomot în fundal.

Mollifier Layers funcționează ca un filtru de cafea pentru date științifice

Soluția vine dintr-un concept matematic mai vechi: mollifierii. Aceștia sunt folosiți pentru a netezi funcții neregulate sau semnale zgomotoase. În loc să măsori direct o linie plină de colțuri, zimți și tremur, o faci mai lină înainte de calcul.

Mollifier Layers aduc această idee în rețelele neuronale. Practic, stratul nou netezește semnalul înainte ca modelul să calculeze derivatele. Dacă datele sunt o cafea cu zaț, mollifierul este filtrul care nu schimbă băutura în altceva, dar o face suficient de clară încât să o poți analiza fără să mesteci sedimente matematice.

Mai tehnic, metoda folosește operații de tip convoluțional cu funcții de netezire definite analitic. Mai simplu, AI-ul nu se mai aruncă direct asupra fiecărei neregularități din date, ci aplică întâi o formă controlată de „calmare” a semnalului. Apoi încearcă să deducă parametrii ascunși ai sistemului.

Autorii spun că această schimbare reduce zgomotul, consumul de memorie și timpul de antrenare, păstrând sau îmbunătățind precizia. Ei au testat metoda pe ecuații de ordin întâi, doi și patru, inclusiv pe sisteme de difuzie, reacție-difuzie și alte modele folosite în machine learning științific.

Important este că metoda nu cere neapărat reconstruirea întregii arhitecturi AI. Poate fi adăugată ca strat în model, ceea ce o face atractivă pentru cercetători care lucrează deja cu rețele neuronale și probleme fizice sau biologice.

Aici este partea elegantă: AI-ul nu devine mai „inteligent” în sensul spectaculos al cuvântului. Devine mai bine educat matematic. În loc să tragă concluzii dintr-un semnal tremurat, învață să îl citească după ce îl netezește corect.

ADN-ul împachetat devine terenul de test pentru noul detectiv matematic

Una dintre primele aplicații ale metodei este studiul cromatinei, forma în care ADN-ul este împachetat în nucleul celulei. Cromatina nu este doar o soluție elegantă de depozitare pentru un fir imens de ADN. Este un sistem de control: felul în care ADN-ul este împachetat influențează ce gene pot fi citite și ce gene rămân inactive.

Laboratorul lui Vivek Shenoy studiază domenii de cromatină de aproximativ 100 de nanometri. Sunt structuri minuscule, dar cu efecte mari. Accesul la ADN influențează expresia genelor, iar expresia genelor contează pentru identitatea celulei, funcționare, îmbătrânire și boală.

Problema era că cercetătorii puteau vedea anumite structuri și puteau modela formarea lor, dar nu puteau deduce suficient de fiabil procesele epigenetice care le conduc. Epigenetica înseamnă schimbări chimice care afectează activitatea genelor fără să modifice secvența ADN. ADN-ul rămâne același, dar instrucțiunile de folosire se schimbă.

Cu Mollifier Layers, echipa poate estima mai bine ratele de reacție epigenetică pornind de la imagini de cromatină. Acest lucru ar putea ajuta la înțelegerea modului în care cromatina se reorganizează în dezvoltare, îmbătrânire sau cancer.

Dar trebuie păstrată proporția. Această metodă nu este un tratament și nu promite vindecări directe. Este mai degrabă un instrument de observație și inferență. Dacă microscopia arată forma, noua metodă încearcă să spună ce reguli invizibile au produs acea formă.

Este ca diferența dintre a vedea urmele de pași în zăpadă și a deduce nu doar pe unde a trecut cineva, ci și cât de repede mergea, cât cântărea și de ce a schimbat direcția.

Descoperirea poate ajuta și în vreme, materiale și sisteme greu de modelat

Deși cromatina este una dintre aplicațiile concrete, potențialul metodei merge mai departe. Problemele inverse apar în aproape orice domeniu în care natura lasă urme incomplete.

În materiale, cercetătorii pot vedea fisuri, deformări sau modificări de structură și încearcă să deducă forțele interne care le-au produs. În fluide, pot observa mișcarea și caută parametrii care guvernează curgerea. În vreme și climă, pot porni de la măsurători atmosferice și pot încerca să reconstruiască dinamici greu de observat direct.

Aici inteligența artificială poate deveni un partener util pentru știință, dar nu pentru că inventează răspunsuri spectaculoase. Devine utilă atunci când poate lucra disciplinat cu ecuații, zgomot, date incomplete și reguli fizice. Cu alte cuvinte, când nu doar ghicește, ci calculează mai stabil.

Aceasta este miza mai mare a metodei Penn. Într-o perioadă în care AI-ul este asociat cu chatboturi, imagini generate și promisiuni comerciale, cercetarea arată o direcție mai puțin vizibilă, dar extrem de importantă: AI-ul ca unealtă pentru descoperire științifică.

Nu este o poveste despre un algoritm care „a înțeles natura” peste noapte. Este o poveste despre cum o idee matematică veche, mollifierul, poate fi pusă într-o rețea neuronală modernă ca să ajute la probleme pe care oamenii de știință le urmăresc de ani întregi.

Dacă metoda se confirmă în mai multe domenii, ar putea deveni un fel de lupă inversă pentru cercetare: nu mărește doar ce se vede, ci ajută la deducerea a ceea ce nu se vede. Iar în știință, cele mai importante forțe sunt adesea tocmai cele care nu apar direct în poză.

AI-ul nu a primit o bilă de cristal. A primit ceva mai util: un mod mai curat de a citi urmele naturii.

Citește și

• Space and Time vrea să transforme împrumuturile crypto într-un produs pentru Wall Street
• Trump vrea „filtru” pentru inteligența artificială. Plan de verificare a modelelor înainte de lansare
• Trump și Musk, doi dintre cei mai influenți oameni din lume, au redefinit jurnalismul prin propriile rețele sociale. Ce impact au postările lor asupra milioanelor de oameni care îi urmăresc