هوش مصنوعی که قدرت تخیل دارد!

روزنامه‌ی سازندگی نوشت: گوگل در پروژه‌‌‌‌‌‌‌‌ی دیپ‌‌‌‌‌‌‌‌مایند، در حال توسعه‌‌‌‌‌‌‌‌ی عامل هوش مصنوعی جدیدی است که با استفاده از قدرت تخیل می‌‌‌‌‌‌‌‌تواند تصمیم‌‌‌‌‌‌‌‌های هوشمندانه‌‌‌‌‌‌‌‌تری بگیرد. دیپ‌‌‌‌‌‌‌‌مایند، به‌‌‌‌‌‌‌‌عنوان زیرمجموعه گوگل که بر توسعه تکنولوژی‌‌‌‌‌‌‌‌های هوش مصنوعی متمرکز است، درباره‌‌‌‌‌‌‌‌ی دو مدل هوش مصنوعی که می‌‌‌‌‌‌‌‌توانند آینده‌‌‌‌‌‌‌‌ را با استفاده از قدرت تخیل برنامه‌‌‌‌‌‌‌‌ریزی کنند، توضیح داد. این دو هوش مصنوعی، عاملان تخیل افزوده (Imagination-augmented agents) نامیده می‌‌‌‌‌‌‌‌شوند. این دو نوع جدید هوش مصنوعی از ابزاری استفاده می‌‌‌‌‌‌‌‌کنند که دیپ‌‌‌‌‌‌‌‌مایند آن را «کد‌‌‌‌‌‌‌‌کننده‌‌‌‌‌‌‌‌ی تخیل» می‌‌‌‌‌‌‌‌نامد. «کدکننده‌‌‌‌‌‌‌‌ی تخیل» در واقع یک شبکه‌‌‌‌‌‌‌‌ی عصبی است که با جمع‌‌‌‌‌‌‌‌آوری اطلاعات مفید، به فرآیند‌‌‌‌‌‌‌‌های تصمیم‌‌‌‌‌‌‌‌گیری این دو عامل بر اساس یادگیری کمک می‌‌‌‌‌‌‌‌کند.

با توجه به مقالاتی که در آنها دیپ‌‌‌‌‌‌‌‌مایند برنامه‌‌‌‌‌‌‌‌ریزی بر اساس تخیل را توضیح داده است، مشخصه‌‌‌‌‌‌‌‌ی اصلی این نوع جدید از هوش مصنوعی، داشتن قابلیت تفسیر شبیه‌‌‌‌‌‌‌‌سازی‌‌‌‌‌‌‌‌های درونی برای به کار گرفتن مدل‌‌‌‌‌‌‌‌هایی است که هرچند کامل نیستند؛ ولی توانایی فهم تغییرات محیط اطراف خود را دارند. این نوع جدید هوش مصنوعی همچنین دارای توانایی تنظیم این حرکات تخیلی برای یافتن راه حل مناسب برای مسئله است. علاوه بر این کدکننده‌‌‌‌‌‌‌‌ی تخیل، میزان بهره‌‌‌‌‌‌‌‌وری این هوش مصنوعی را با استخراج داده‌‌‌‌‌‌‌‌های بیشتر از تخیل که الزاما به پیدا کردن راه حل منجر نمی‌‌‌‌‌‌‌‌شوند، افزایش می‌‌‌‌‌‌‌‌دهد.

یکی دیگر از خصوصیات این خانواده‌‌‌‌‌‌‌‌ی هوش مصنوعی، توانایی تولید برنامه‌‌‌‌‌‌‌‌ریزی‌‌‌‌‌‌‌‌های مختلف با استفاده از استراتژی‌‌‌‌‌‌‌‌های مختلف است. استفاده از استراتژی‌‌‌‌‌‌‌‌های مختلف، شامل متوقف کردن ادامه‌‌‌‌‌‌‌‌ی یک تخیل و جلوگیری از شروع دوباره مراحل یافتن راه‌‌‌‌‌‌‌‌حل می‌‌‌‌‌‌‌‌شود. استراتژی‌‌‌‌‌‌‌‌های برنامه‌‌‌‌‌‌‌‌ریزی، در ادامه با اضافه شدن مدل‌‌‌‌‌‌‌‌های تخیل متفاوت با میزان دقت‌‌‌‌‌‌‌‌ مختلف، بهتر و بهتر می‌‌‌‌‌‌‌‌شوند. در نتیجه تصمیم‌‌‌‌‌‌‌‌های عامل صرفا به تعداد کمی تصمیم محدود نمی‌‌‌‌‌‌‌‌شوند و حالت‌‌‌‌‌‌‌‌های متفاوتی را در نظر می‌‌‌‌‌‌‌‌گیرد.

برای آزمایش این رویکرد‌‌‌‌‌‌‌‌های جدید، دیپ‌‌‌‌‌‌‌‌مایند از بازی‌‌‌‌‌‌‌‌هایی استفاده کرده است که نیاز به استدلال و برنامه‌‌‌‌‌‌‌‌ریزی برای ادامه‌‌‌‌‌‌‌‌ی راه دارند. تحت شرایط این بازی‌‌‌‌‌‌‌‌ها، به‌‌‌‌‌‌‌‌عنوان یک اکوسیستم ایده‌‌‌‌‌‌‌‌آل، توانایی تخیل این عامل‌‌‌‌‌‌‌‌های هوش مصنوعی سنجیده شد. برای مقایسه، دیپ‌‌‌‌‌‌‌‌مایند هم‌‌‌‌‌‌‌‌زمان از عامل‌‌‌‌‌‌‌‌های بدون قدرت تخیل هم استفاده کرد. نتیجه به‌‌‌‌‌‌‌‌دست‌‌‌‌‌‌‌‌آمده در نوع خود کم‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌سابقه بود. عامل‌‌‌‌‌‌‌‌های هوش مصنوعی دارای قدرت تخیل، به‌‌‌‌‌‌‌‌مراتب بهتر از عامل‌‌‌‌‌‌‌‌های بدون قدرت تخیل عمل کردند. این عامل‌‌‌‌‌‌‌‌ها حتی قبل از اینکه در سناریو‌‌‌‌‌‌‌‌های دنیای واقعی یک تصمیم مشخص بگیرند، می‌‌‌‌‌‌‌‌توانند استراتژی‌‌‌‌‌‌‌‌های مختلف را از قبل امتحان کنند. این عامل‌‌‌‌‌‌‌‌ها بعد از اضافه شدن عنصر مدیریت‌‌‌‌‌‌‌‌کننده، عملکرد بهتری از خود نشان دادند.

این شرکت مشاهده کرد که این‌‌‌‌‌‌‌‌ عامل‌‌‌‌‌‌‌‌ها در نمونه‌‌‌‌‌‌‌‌های مختلف محیطی می‌‌‌‌‌‌‌‌توانند به تصمیم‌‌‌‌‌‌‌‌های متفاوتی برسند که این موضوع، میزان کیفیت عمل را افزایش و خطا را کاهش می‌‌‌‌‌‌‌‌دهد. این مقاله‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های دیپ‌‌‌‌‌‌‌‌مایند در تلاش برای جواب دادن به سؤالاتی در خصوص چگونگی کنار آمدن این عامل‌‌‌‌‌‌‌‌ها با مدل‌‌‌‌‌‌‌‌های ناکامل و به کار گرفتن یک استراتژی خاص با توجه به شرایط مختلف هستند. قرار است به‌‌‌‌‌‌‌‌زودی خبر‌‌‌‌‌‌‌‌های بیشتری درباره‌‌‌‌‌‌‌‌ی این نسل جدید هوش مصنوعی توسط دیپ‌‌‌‌‌‌‌‌مایند منتشر شود.

مسیریابی تخیل
گوگل مپ در حال تست ویژگی جدید مسیریابی مبتنی بر واقعیت افزوده برای افراد پیاده است. کاربران با امتیاز لوکال گاید یا راهنمای محلی بالاتر از ۵ می‌‌‌‌‌‌‌‌توانند ویژگی جدید را امتحان کنند. در اوایل ماه جاری، وال استریت ژورنال خبر از ویژگی جدیدی در گوگل مپ برای افراد پیاده داد. گوگل برای کاربرانی که امتیاز Local Guide یا راهنمای محلی آنها بالاتر از ۵ است، در حال تست و بررسی ویژگی جدید مسیریابی مبتنی بر واقعیت افزوده است.

وقتی کاربران گوشی خود را بالا نگه داشته باشند، به‌‌‌‌‌‌‌‌صورت پیش‌‌‌‌‌‌‌‌فرض دوربین و ویژگی واقعیت افزوده مسیر را به آنها نشان می‌‌‌‌‌‌‌‌دهند و وقتی گوشی پایین نگه داشته شود، نمای معمولی به کاربر نشان داده خواهد شد. در اصل ویژگی جدید، مسیری که کاربر باید طی کند، به‌‌‌‌‌‌‌‌خوبی و بسیار روشن در تصویر نشان داده می‌‌‌‌‌‌‌‌دهد. بی‌‌‌‌‌‌‌‌شک با چنین دقتی در نشان دادن مسیر، کمتر کسی ممکن است در حالت پیاده و زمانی‌‌‌‌‌‌‌‌که از گوگل مپ استفاده می‌‌‌‌‌‌‌‌کند، در مسیریابی و رسیدن به مقصد دچار اشتباه شود. هرچند هنوز مشخص نیست که استفاده از این قابلیت جدید چه تاثیری بر عمر باتری دستگاه خواهد گذاشت.

آموزش‌‌‌‌‌‌‌‌های اولیه در محیط‌‌‌‌‌‌‌‌هایی از شهر نیویورک انجام شد. با استفاده از پارامترهای متنوع، گروه تحقیقاتی چند دستور مسیریابی را به هوش مصنوعی داد و در صورت پایان دادن صحیح دستورها و رسیدن به مقصد مورد نظر، جایزه‌‌‌‌‌‌‌‌ای را به آن اهدا می‌‌‌‌‌‌‌‌کرد. شایان ذکر است این تحقیقات در مسیر بازی‌‌‌‌‌‌‌‌های ویدئویی یا شبیه‌‌‌‌‌‌‌‌سازهای رانندگی نیستند. هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند در مدل‌‌‌‌‌‌‌‌های ترافیکی یا با شرایط آب‌‌‌‌‌‌‌‌وهوایی گوناگون آموزش نمی‌‌‌‌‌‌‌‌بیند. آنها تنها تلاش می‌‌‌‌‌‌‌‌کنند تا با ایجاد محیطی معمولی، درک واقعی از دستورهای مسیریابی را به هوش مصنوعی آموزش دهند.

درحال‌‌‌‌‌‌‌‌حاضر، هیچ نوع خدمات تاکسی یا خودروی شخصی بدون راننده‌‌‌‌‌‌‌‌ای در جهان وجود ندارد که کاربر بتواند بدون دانستن آدرس و تنها با گفتن دستورهای مسیریابی، به مقصد خود برسد. برای رسیدن به آن فناوری، ابتدا باید چگونگی درک و پیروی از دستورها را به هوش مصنوعی آموزش داد. به‌‌‌‌‌‌‌‌هرحال، مقاله‌‌‌‌‌‌‌‌ی منتشر شده از آزمایش‌‌‌‌‌‌‌‌های دیپ‌‌‌‌‌‌‌‌مایند نشان می‌‌‌‌‌‌‌‌دهد که کارگزار هوشمند آنها عملکرد مناسبی در یادگیری نداشته است. در آن مقاله می‌‌‌‌‌‌‌‌خوانیم: فاصله‌‌‌‌‌‌‌‌ی عملکرد واقعی کارگزار هوشمند با انتظارات ما آن‌‌‌‌‌‌‌‌چنان بالاست که قطعا می‌‌‌‌‌‌‌‌دانیم مسیری طولانی در پیش داریم و کارهای زیادی باید انجام شود.

البته، جمله‌‌‌‌‌‌‌‌ی بالا، اثباتی بر موفق نشدن گروه دیپ‌‌‌‌‌‌‌‌مایند نیست. مدل‌‌‌‌‌‌‌‌های هوش مصنوعی تحت آموزش آن‌‌‌‌‌‌‌‌ها، توانستند دستورهای آموخته‌‌‌‌‌‌‌‌شده در منطقه‌‌‌‌‌‌‌‌ای از نیویورک را در مسیریابی مناطقی دیگر از شهر پیاده کنند؛ مناطقی که قبلا هیچ آموزشی در آنها ندیده بودند. به‌‌‌‌‌‌‌‌علاوه، آموزش‌‌‌‌‌‌‌‌ها در شهر پیترزبورگ هم انجام شد که هوش مصنوعی مذکور، هیچ آموزشی در آنجا ندیده بود. نتایج در شهر دوم نیز قابل قبول بودند. به‌‌‌‌‌‌‌‌هرحال، نتایج مذکور نوعی مرجع برای آموزش‌‌‌‌‌‌‌‌های آتی و تشکیل‌‌‌‌‌‌‌‌دهنده‌‌‌‌‌‌‌‌ی قدم‌‌‌‌‌‌‌‌های اولیه در رسیدن به هوشی توانا در مسیریابی هستند.

ویژگی جدید گوگل مپ هنوز به‌‌‌‌‌‌‌‌صورت رسمی معرفی نشده و هنوز قابلیتی محرمانه محسوب می‌‌‌‌‌‌‌‌شود. هرچند درنهایت قرار نیست چنین قابلیتی پنهان بماند و همه‌‌‌‌‌‌‌‌ی کاربران درجریان قابلیت‌‌‌‌‌‌‌‌های جدید این برنامه‌‌‌‌‌‌‌‌ی کاربردی قرار خواهند گرفت. کاربرانی که Local Guide با امتیاز سطح ۵ یا بالاتر دارند، می‌‌‌‌‌‌‌‌توانند این ویژگی جدید را روی هر دو سیستم‌‌‌‌‌‌‌‌عامل اندروید و iOS امتحان کنند. باید منتظر باشیم تا گوگل این قابلیت را در دسترس عموم کاربران قرار دهد.

پیش‌‌‌‌‌‌‌‌بینی بازدهی توربین‌‌‌‌‌‌‌‌های بادی
چندی پیش اعلام کرد که بازوی هوش مصنوعی یعنی دیپ‌‌‌‌‌‌‌‌مایند در لندن، با استفاده از نرم‌‌‌‌‌‌‌‌افزارهای هوش مصنوعی خود، پایداری و ثبات انرژی تولیدشده در مزارع انرژی بادی را مورد بررسی قرار داد. گوگل ادعا می‌‌‌‌‌‌‌‌کند با استفاده از الگوریتم‌‌‌‌‌‌‌‌های یادگیری ماشین دیپ‌‌‌‌‌‌‌‌مایند، خروجی انرژی مزارع انرژی بادی خود را پیش‌‌‌‌‌‌‌‌بینی کرده است؛ مزارعی که برای تأمین انرژی سبز زیرساخت‌‌‌‌‌‌‌‌های غول از موتور جست‌‌‌‌‌‌‌‌وجو استفاده می‌‌‌‌‌‌‌‌شوند. آنها می‌‌‌‌‌‌‌‌گویند با بهره‌‌‌‌‌‌‌‌گیری از پیش‌‌‌‌‌‌‌‌بینی‌‌‌‌‌‌‌‌های انجام‌‌‌‌‌‌‌‌شده، می‌‌‌‌‌‌‌‌توانند تحویل انرژی از آن مزارع را زمان‌‌‌‌‌‌‌‌بندی و برنامه‌‌‌‌‌‌‌‌ریزی کنند که نسبت به وضعیت کنونی تأمین انرژی (که در زمان‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌بندی‌‌‌‌‌‌‌‌های نامنظم انجام می‌‌‌‌‌‌‌‌شود) برای خطوط انتقال نیرو مفیدتر خواهد بود.

نرم‌‌‌‌‌‌‌‌افزار شرکت دیپ‌‌‌‌‌‌‌‌مایند (طبق ادعای گوگل) توانست ارزش انرژی دریافت‌‌‌‌‌‌‌‌شده از توربین‌‌‌‌‌‌‌‌های بادی را نسبت به زمان‌‌‌‌‌‌‌‌هایی که هیچ برنامه‌‌‌‌‌‌‌‌ریزی زمانی وجود نداشت، ۲۰ درصد افزایش دهد. البته، هنوز نمی‌‌‌‌‌‌‌‌دانیم که آن ارزش در حوزه‌‌‌‌‌‌‌‌های مالی یا خروجی انرژی چه معنی دارد. به‌‌‌‌‌‌‌‌علاوه، هنوز مشخص نیست که نرم‌‌‌‌‌‌‌‌افزار مذکور در چه مناطقی استفاده می‌‌‌‌‌‌‌‌شود. البته، اکثر مزارع مورد استفاده‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ی گوگل در منطقه‌‌‌‌‌‌‌‌ی غرب میانی آمریکا و در محل قرارگیری برخی از دیتاسنترهای آمریکایی آنها قرار دارد. به‌‌‌‌‌‌‌‌هرحال در این مورد هنوز پاسخی از طرف گوگل دریافت نشده است.

گوگل سال گذشته اعلام کرد که ۱۰۰درصد از انرژی مورد نیاز خود را از منابع تجدیدپذیر تامین می‌‌‌‌‌‌‌‌کند. آن دستاورد، در نتیجه‌‌‌‌‌‌‌‌ی قراردادهای تأمین انرژی و سرمایه‌‌‌‌‌‌‌‌گذاری روی مزارع خورشیدی و بادی حاصل شد؛ مزارعی که انرژی مورد نیاز دیتاسنترهای گوگل را تأمین می‌‌‌‌‌‌‌‌کنند.

استفاده از انرژی بادی، چالش‌‌‌‌‌‌‌‌های متعددی دارد. به‌‌‌‌‌‌‌‌عنوان مثال، نمی‌‌‌‌‌‌‌‌توان پیش‌‌‌‌‌‌‌‌بینی کرد که هر مزرعه چه مقدار انرژی تولید می‌‌‌‌‌‌‌‌کند و چگونه می‌‌‌‌‌‌‌‌توان آن را برای کاربردهای عملی، ذخیره کرد. به‌‌‌‌‌‌‌‌بیان دیگر، خروجی مزارع بسته به شرایط همیشه تغییر می‌‌‌‌‌‌‌‌کند. گوگل می‌‌‌‌‌‌‌‌گوید طبیعت متغیر باد، عامل اصلی غیرقابل پیش‌‌‌‌‌‌‌‌بینی بودن آن است. به‌‌‌‌‌‌‌‌بیان دیگر،‌‌‌‌‌‌‌‌ منبعی که انرژی را به‌‌‌‌‌‌‌‌صورت پایدار عرضه می‌‌‌‌‌‌‌‌کند، کاربرد بیشتری دارد. درنتیجه، در استفاده از باد باید منتظر طبیعت باشیم تا برق مورد نیاز شبکه‌‌‌‌‌‌‌‌های توزیع نیرو را تأمین کند.

چنین دستاوردهایی قطعا هم به گوگل و هم دیپ‌‌‌‌‌‌‌‌مایند کمک خواهند کرد. شرکت لندنی با چشم‌‌‌‌‌‌‌‌اندازی تحقیقاتی، دستاوردهای قابل توجهی داشته است اما هنوز در دستیابی به جریان‌‌‌‌‌‌‌‌های درآمدی قابل‌‌‌‌‌‌‌‌توجه، موفق نیست. به‌‌‌‌‌‌‌‌علاوه، آنها خسارت‌‌‌‌‌‌‌‌های مالی بسیاری (۳۶۸ میلیون دلار در سال ۲۰۱۷) به‌‌‌‌‌‌‌‌خاطر تنش‌‌‌‌‌‌‌‌ها با شرکت مادر خود تجربه کرده‌‌‌‌‌‌‌‌اند. درنهایت، اگر نرم‌‌‌‌‌‌‌‌افزارهای دیپ‌‌‌‌‌‌‌‌مایند را بتوان در کاربردهای روزانه و واقعی به کار گرفت، به بخشی درآمدزا برای شرکت مادر یعنی گوگل تبدیل خواهد شد.

پیش‌بینی مدل‌‌‌‌‌‌‌‌سازی پروتئین
دیپ‌‌‌‌‌‌‌‌مایند به‌‌‌‌‌‌‌‌عنوان زیرمجموعه‌‌‌‌‌‌‌‌ی گوگل مدعی است که پیشرفت‌‌‌‌‌‌‌‌های جدیدی در حوزه‌‌‌‌‌‌‌‌ی پیش‌‌‌‌‌‌‌‌بینی مدل‌‌‌‌‌‌‌‌سازی پروتئین داشته که می‌‌‌‌‌‌‌‌توان در تشخیص و درمان بیما‌‌‌‌‌‌‌‌ری‌‌‌‌‌‌‌‌های خاص از آن استفاده کرد. هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند گوگل ادعا می‌‌‌‌‌‌‌‌کند که به نقطه‌‌‌‌‌‌‌‌ عطف مهمی در حوزه‌‌‌‌‌‌‌‌ی پیش‌‌‌‌‌‌‌‌بینی مدل‌‌‌‌‌‌‌‌سازی پروتئین دست یافته است و می‌‌‌‌‌‌‌‌تواند با سیستمی مبتنی بر هوش مصنوعی، ساختارهای پیچیده‌‌‌‌‌‌‌‌ همانند ساختار سه‌‌‌‌‌‌‌‌بعدی پروتئین را تنها براساس توالی ژنتیکی‌‌‌‌‌‌‌‌ آن پیش‌‌‌‌‌‌‌‌بینی کرده و نمایش دهد.

دانستن ساختارهای پروتئینی در تشخیص و درمان بیماری‌‌‌‌‌‌‌‌ها حائز اهمیت است و می‌‌‌‌‌‌‌‌تواند درک دانشمندان را نسبت به بدن انسان بالاتر ببرد. همچنین می‌‌‌‌‌‌‌‌تواند به‌‌‌‌‌‌‌‌صورت بالقوه در طراحی ساختار پروتئین و مهندسی زیستی بسیار کمک‌‌‌‌‌‌‌‌کننده باشد. نزدیک به دو سال است که هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند، سخت در تلاش است تا در زمینه‌‌‌‌‌‌‌‌ی پیش‌‌‌‌‌‌‌‌بینی تاشدگی پروتئین پیشرفت‌‌‌‌‌‌‌‌هایی را به‌‌‌‌‌‌‌‌انجام برساند.

برای پیش‌‌‌‌‌‌‌‌بینی مدلسازی مولکول‌‌‌‌‌‌‌‌ پروتئین، روش‌‌‌‌‌‌‌‌های مختلف علمی ازجمله چگونگی تاشدگی پروتئین وجود دارد. تاشدگی پروتئین فرآیندی است که در آن، پلی‌‌‌‌‌‌‌‌پپتیدها به ساختار سه‌‌‌‌‌‌‌‌بعدی مشخصی پیچیده می‌‌‌‌‌‌‌‌شوند. پلی پیتیدها، زنجیره‌‌‌‌‌‌‌‌ای از اسیدهای آمینه هستند که در ابتدا ساختار سه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌بعدی ندارند و براساس ویژگی‌‌‌‌‌‌‌‌های شیمیایی خاص در یک محیط سلولی برهمکنش می‌‌‌‌‌‌‌‌کنند و درنهایت ساختار سه‌‌‌‌‌‌‌‌بعدی ویژه‌‌‌‌‌‌‌‌ای را به ‌‌‌‌‌‌‌‌نمایش می‌‌‌‌‌‌‌‌گذارند. زنجیره‌‌‌‌‌‌‌‌ی اسیدهای آمینه، وضعیت این ساختار را مشخص می‌‌‌‌‌‌‌‌کند و سازوکار تاشدگی پروتئین‌‌‌‌‌‌‌‌ها در این فرآیند ناشناخته است.

به‌‌‌‌‌‌‌‌همین دلیل، با توجه به اینکه عوامل مختلفی در سازوکار تاشدگی پروتئین دخیل هستند و تعامل بین آمینواسیدها می‌‌‌‌‌‌‌‌تواند ساختار سه‌‌‌‌‌‌‌‌بعدی پروتئین را تغییر دهد، مدل‌‌‌‌‌‌‌‌سازی ساختار سه‌‌‌‌‌‌‌‌بعدی کاری بسیار پیچیده است. بازی پرطرفدارFoldIt (آن را تا کن)،‌‌‌‌‌‌‌‌ تلاش می‌‌‌‌‌‌‌‌کند تا شکل‌‌‌‌‌‌‌‌های مختلف پروتئین را به ‌‌‌‌‌‌‌‌نمایش بگذارد. هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند مدعی است رویکردی را در پیش گرفته که حاصل تحقیقات انجام‌‌‌‌‌‌‌‌شده در سال‌‌‌‌‌‌‌‌های قبل است و از داده‌‌‌‌‌‌‌‌های بزرگ برای پیش‌‌‌‌‌‌‌‌بینی ساختار پروتئین استفاده می‌‌‌‌‌‌‌‌کند و به‌‌‌‌‌‌‌‌صورت مشخص، از روش‌‌‌‌‌‌‌‌های یادگیری عمیق برای داده‌‌‌‌‌‌‌‌های ژنومی استفاده می‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌کند.

دیپ‌‌‌‌‌‌‌‌مایند معتقد است که در هر دو روش از شبکه‌‌‌‌‌‌‌‌های عصبی عمیق آموزش‌‌‌‌‌‌‌‌داده‌‌‌‌‌‌‌‌شده برای پیش‌‌‌‌‌‌‌‌بینی خواص پروتئین مربوط به توالی ژنتیکی، استفاده شده است. وبلاگ هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند اعلام کرد: «خواصی که هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند می‌‌‌‌‌‌‌‌تواند پیش‌‌‌‌‌‌‌‌بینی کند عبارت‌اند از: الف) فاصله بین جفت اسید آمینه‌‌‌‌‌‌‌‌ها و (ب) زاویه بین پیوندهای شیمیایی که این اسید آمینه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ها را به یکدیگر متصل می‌‌‌‌‌‌‌‌کند. طرح توسعه‌‌‌‌‌‌‌‌ی اولیه‌‌‌‌‌‌‌‌ی این سیستم، پیشرفت‌‌‌‌‌‌‌‌های قابل‌‌‌‌‌‌‌‌توجهی نسبت به روش‌‌‌‌‌‌‌‌های معمول از خود نشان داده است و توانسته درمورد جفت آمینه‌‌‌‌‌‌‌‌ اسیدی که در نزدیکی یکدیگر قرار خواهند گرفت پیش‌‌‌‌‌‌‌‌بینی کند.

ما شبکه‌‌‌‌‌‌‌‌ی عصبی را برای پیش‌بینی توزیع فاصله‌‌‌‌‌‌‌‌ی بین هر جفت آمینه اسید در پروتئین آموزش دادیم. حاصل این احتمالات، درنهایت به‌‌‌‌‌‌‌‌صورت یک نمره تخمین زده شدند که پیش‌‌‌‌‌‌‌‌بینی ساختار پروتئین را به‌‌‌‌‌‌‌‌صورت دقیق ارائه می‌‌‌‌‌‌‌‌دهد. همچنین توانستیم شبکه‌‌‌‌‌‌‌‌ی عصبی دیگری را به‌‌‌‌‌‌‌‌صورت جداگانه آموزش دهیم که با استفاده از فاصله‌‌‌‌‌‌‌‌ها بتواند پیش‌‌‌‌‌‌‌‌بینی‌ای درباره چگونگی ساختار نهایی ارائه دهد که به پاسخ صحیح نزدیک‌‌‌‌‌‌‌‌تر است. سپس از روش‌‌‌‌‌‌‌‌های جدیدی برای پیش‌‌‌‌‌‌‌‌بینی ساختارهای پروتئینی، جست‌‌‌‌‌‌‌‌وجوی ساختارهای شناخته‌‌‌‌‌‌‌‌شده که با پیش‌‌‌‌‌‌‌‌بینی‌‌‌‌‌‌‌‌های انجام‌‌‌‌‌‌‌‌شده مطابقت دارند، استفاده کردیم.

باوجودی که هوش مصنوعی دیپ‌‌‌‌‌‌‌‌مایند تاکید می‌‌‌‌‌‌‌‌کند هنوز روش‌‌‌‌‌‌‌‌های دیپ‌‌‌‌‌‌‌‌مایند باید مسیری را طی کنند تا بتوانند تاثیر قابل‌‌‌‌‌‌‌‌توجهی در حوزه‌‌‌‌‌‌‌‌ی درمان بیماری‌‌‌‌‌‌‌‌ها و مدیریت محیط‌‌‌‌‌‌‌‌زیست و موارد بیشتر داشته باشند؛ ولی می‌‌‌‌‌‌‌‌دانیم که پتانسیل بسیار بالایی در این حوزه وجود دارد. با حضور تیم اختصاصی و متمرکز بر چگونگی یادگیری ماشین، می‌‌‌‌‌‌‌‌توانیم در این مسیر گام‌‌‌‌‌‌‌‌های بلندی برداریم و منتظر راه‌‌‌‌‌‌‌‌های جدیدی هستیم که می‌‌‌‌‌‌‌‌تواند فناوری را تغییر دهد.

انتهای پیام