Szeretettel várunk mindenkit, aki kíváncsi a mesterséges intelligencia természettudományi kutatásokban betöltött szerepére. Az előadásokkal betekintést nyújtunk a HUN-REN Természettudományi Kutatóközpontjában zajló, különböző tudományterületi MI alkalmazásokba és ismertetjük a legújabb trendeket, mindezt közérthető módon.
A szimpózium ideje és helye
2024. november 21. 10:00-12:00
HUN-REN Természettudományi Kutatóközpont, földszinti előadó
1117 Budapest, Magyar tudósok krt. 2.
https://goo.gl/maps/XnAAwWGYqRZMVorM6
Program
10:00 Köszöntő
10:05-10:25 Vakli Pál: Az agy biológiai életkorának meghatározása mesterséges intelligencia segítségével
10:25-10:45 Weiss Béla: Mesterséges intelligencia az agykutatásban
10:45-11:05 Szalai Tibor: A bitektől a gyógyszermolekula tervezésig
11:05-11:25 Rokai János: Különböző mélytanulási paradigmák ötvözése mélyagyi extracelluláris idegi jelek feldolgozására
11:25-11:45 Rácz Anita: Mesterséges intelligencia anyagtudományi alkalmazása spektrális ujjlenyomatokra
Az előadások összefoglalói
Az agy biológiai életkorának meghatározása mesterséges intelligencia segítségével
Vakli Pál, Weiss Béla, Hermann Petra, Vidnyánszky Zoltán
HUN-REN TTK Agyi Képalkotó Központ
Agyunk az életkor előrehaladtával strukturális és funkcionális változásokon megy keresztül, e változások üteme azonban egyénenként eltérő lehet. Mágneses rezonancia képalkotással nyert adatokból, mesterséges intelligencia segítségével megbecsülhető az egyén agyéletkora. A becsült biológiai életkor különbözhet az egyén tényleges (kronológiai) életkorától – ez az eltérés nem véletlenszerű, hanem késleltetett vagy előrehaladott agyi öregedést tükrözhet. Újabb kutatások kimutatták, hogy a becsült agyéletkor különbözhet az egyes agyterületek között. Előadásomban bemutatok egy újonnan fejlesztett, mélytanuláson alapuló eljárást, mely lehetővé teszi a globális és lokális agyéletkor pontos becslését, és alkalmas lehet az agyi öregedés térbeli mintázatának jellemzésére különféle neurodegeneratív és neuropszichiátriai megbetegedésekben.
Mesterséges intelligencia az agykutatásban
Weiss Béla
HUN-REN TTK Agyi Képalkotó Központ
Az agykutatásnak fontos szerepe volt a mesterséges intelligencia (MI) alapjainak meghatározásában, és a két tudományág együttműködésével kapcsolatban jelentősek voltak a kezdeti elvárások. Azonban a korai sikerek ellenére az MI áttörő eredményeire több évtizedet kellett várni, részben technikai korlátok miatt. A hardver és szoftver eszközök fejlődése, valamint a rendelkezésre álló adatok mennyisége és minősége végül a 2010-es évek elején tette lehetővé az emberi teljesítményt elérő vagy azt akár meghaladó MI modellek létrahozását. A forradalminak tekinthető elméleti és gyakorlati MI megoldások az agykutatásra is nagy hatást gyakoroltak az elmúlt évtized során. Alternatív megközelítések születtek az agyi működés megértését szolgáló modellek és a mért adatok elemzése terén, és új távlatok nyíltak a klinikai agyi kondíciók diagnosztizálásában. Az előadás során egy rövid történelmi és elméleti összefoglalót követően a hallgatóság különböző példákon keresztül betekintést fog kapni az MI agykutatásban betöltött jelenlegi szerepéről, különös tekintettel az eredmények értelmezésére és megbízhatóságára, kitekintéssel a várható jövőbeli trendekre.
A bitektől a gyógyszermolekula tervezésig
Szalai Tibor Viktor, Péczka Nikolett, Sipos-Szabó Levente, Mihalovits Levente, Petri László, Bajusz Dávid, Keserű György Miklós
HUN-REN TTK Gyógyszerkémiai Kutatócsoport és Gyógyszerinnovációs Központ
A kémiai tér hatalmas: becslések szerint nagyjából 1060 gyógyszerszerű molekulát foglal magába (összehasonlításképpen: a Föld összes atomjának száma körülbelül 1050). Ebből mindössze 1-2 milliárd (109) molekulát állítottak elő fizikailag, és virtuálisan is csak nagyjából egy trillió (1012) gyógyszerszerű molekula elérhető. A szokásos gyógyszertervezési módszerek számára már a 1012 molekula egyenkénti vizsgálata is rendkívül nagy kihívás, nem is beszélve a teljes, 1060 molekulából álló tér felderítéséről.
A mesterséges intelligencia alkalmazása a számítógépes gyógyszertervezésben új lehetőségeket nyitott a gyógyszermolekulák feltérképezésében. Az úgynevezett molekuláris ujjlenyomatok — amelyek a molekulákat bitek sorává alakítják — hatékony bemenetet nyújtanak a mesterségesintelligencia-alapú módszerek számára, lehetővé téve mintázatok felismerését. Ennek köszönhetően a mesterséges intelligencia képes új gyógyszerjelölt molekulákat előrejelezni egy adott terápiás fehérjecélpontra anélkül, hogy a teljes kémiai tér valamennyi molekuláját külön vizsgálni kellene.
Kutatócsoportunk mesterséges intelligencia alkalmazásával több új, daganatos betegségek elleni potenciális gyógyszerjelölt vegyületet azonosított, amelyek hozzájárulhatnak a jövőbeli rákellenes gyógyszerfejlesztéshez.
Egy molekuláris ujjlenyomat előállítása
Különböző mélytanulási paradigmák ötvözése mélyagyi extracelluláris idegi jelek feldolgozására
Rokai János, Ulbert István, Márton Gergely
HUN-REN TTK, Kognitív Idegtudományi és Pszichológiai Intézet
Az emberi agyszövetbe ültetett agykérgi és mélyagyi elektródák technológiája rendkívüli sebességgel fejlődik, ami lehetővé teszi, hogy egyre több idegi jelet rögzítsünk. A modern agykutatás egyik legnagyobb törekvése, hogy az egyre nagyobb felbontással bíró mélyagyi elektródok, egyre növekvő mennyiségű adata alapján minél pontosabban és minél hatékonyabban tudjunk extracelluláris idegi aktivitást azonosítani.
Jelenleg különböző megoldások állnak rendelkezésre, amelyek vagy offline, nagy pontosságú elemzést biztosítanak, vagy pedig beágyazott rendszereken működnek, ahol a korlátozott számítási kapacitás miatt gyakran kompromisszumokat kell kötni a pontosság terén.
Jellegükből adódóan az extracelluláris jelek feldolgozásában a hagyományos mélytanulási paradigmák korlátozottan alkalmazhatók, így ezeket általában különféle egyedi előfeldolgozási lépésekkel kombinálják, vagy csupán a tüske-azonosítás folyamatának egyes részeire korlátozzák. Ezzel szemben a különböző mélytanulási paradigmák ötvözése alternatív megközelítést kínálhat. Kutatásunk során ezt a megközelítést választottuk, és célunk a különböző paradigmák előnyeinek együttes kiaknázása volt.
A kutatás során kifejlesztett modell nemcsak eléri a jelenlegi legjobb offline megoldások pontosságát, hanem egyedülálló módon képes Tensor Processing Unit (TPU) chipeken is futni, amelyek mesterséges intelligencia- és korlátozott erőforrású környezetekre optimalizáltak. Az új rendszer lehetőséget teremt arra, hogy a mélytanulás-alapú extracelluláris idegi jelválogató algoritmusokat akár hordozható elektronikai eszközökbe is integráljuk, ami a jövő agy-számítógép interfészeinek elengedhetetlen eleme lehet.
Mesterséges intelligencia anyagtudományi alkalmazása spektrális ujjlenyomatokra
Rácz Anita, Klébert Szilvia
HUN-REN TTK Anyag- és Környezetkémiai Intézet
Az elmúlt évtizedekben az anyagtudomány minden alkalmazási területén egyre nagyobb az igény a környezetbarát, „zöld” anyagok (különösen a műanyagok) iránt, amelyek könnyen újrahasznosíthatók, és nem jelentenek veszélyt az emberi egészségre és az ökoszisztémára. Ezért a korszerű anyagok kémiai, fizikai és mechanikai elemzése és elsődleges tervezése bár fontos szerepet játszik, de általában időigényes és költséges folyamat. Az anyagok fizikai, kémiai és mechanikai tulajdonságainak meghatározására gyors és környezetbarát spektroszkópiai módszereket is lehet alkalmazni, majd a spektrumok alapján az egyes karakterisztikus tulajdonságot gépi tanulási algoritmusokkal modellezni. A referenciaméréseket és nagyméretű szimulációkat tartalmazó új anyagtudományi adatbázisok fejlődése és a nagymértékben megnövekedett számítási teljesítmény mentén a mesterséges intelligencia alapú gépi tanulással (ML) az in-silico modellezés ígéretes lehetőséggé vált az anyagtudományban.
Az előadás rávilágít arra, hogy hogyan lehet a polimerek és polimer kompozitok számos kémiai, fizikai és mechanikai tulajdonságát pontosan és energiatakarékosan előrejelezni, továbbá a nanoszerkezetű szén minták karakterisztikus fizikai tulajdonságait meghatározni. Mindkét bemutatott példában az infravörös spektrumokat „klasszikus” kemometriai és gépi tanulási algoritmusokkal is kombináljuk. Az általunk kifejlesztett modellek megfelelő alternatívát jelentenek a szerkezeti anyagok különböző tulajdonságainak jelenlegi hosszadalmas és bonyolult kísérleti meghatározására.
