Para desarrollar una IA responsable, Intel y Mila se unen

La colaboración utilizará la investigación de inteligencia artificial para abordar el cambio climático, identificar los impulsores de las enfermedades y acelerar el descubrimiento de fármacos.

Como parte de este compromiso renovado, más de 20 investigadores de Intel y Mila se centrarán en el desarrollo de técnicas avanzadas de IA para abordar desafíos globales como el cambio climático, el descubrimiento de nuevos materiales y la biología digital.

"Frente a los desafíos globales actuales, debemos impulsar una cultura de ciencia abierta entre la academia y la industria para avanzar con éxito en las aplicaciones de IA en beneficio de la sociedad. Estamos encantados de colaborar con Intel para explorar rápidamente materiales novedosos y necesarios para mejorar la captura de carbono, acelerar el descubrimiento de fármacos y permitir un futuro más sostenible". –Yoshua Bengio, fundador y director científico de Mila

Por qué es importante: Acelerar la investigación y el desarrollo de IA avanzada para resolver algunos de los problemas más críticos y desafiantes del mundo requiere un enfoque responsable de la IA y la capacidad de escalar la tecnología informática. Como líderes en computación e IA, y con la alineación de ser un agente de cambio positivo y poderoso en nuestro mundo, Intel y Mila podrán duplicar los proyectos iniciados en 2021, agregar una tercera pista y aumentar significativamente el soporte para impulsar resultados tangibles.

"Resolver problemas complejos como el cambio climático y el descubrimiento de nuevos materiales requiere una investigación profunda de IA junto con la experiencia en el dominio y el compromiso de avanzar en las tecnologías informáticas de vanguardia", dijo Kavitha Prasad, vicepresidente y gerente general de Datacenter, AI y Cloud Execution and Strategy en Intel. "El anuncio jugará un papel fundamental en la aparición de ideas clave para los investigadores e impulsará las innovaciones tecnológicas. Esperamos asociarnos con Mila para abordar los desafíos que enfrentamos hoy y crear un mundo mejor para las generaciones futuras con tecnología".

Sobre la colaboración: Esta colaboración ampliada se centrará en:

* Automatización del descubrimiento de nuevos materiales impulsado por IA: Los avances en las técnicas de simulación química, como la teoría de la densidad funcional, han creado métodos capaces de simular propiedades importantes de sistemas materiales complejos. Estas técnicas, sin embargo, han sido limitadas en la complejidad de los sistemas de materiales que pueden modelar dada la escala desfavorable del costo computacional a medida que aumenta el número de átomos. Las técnicas de IA, especialmente las redes neuronales gráficas (GNN), ayudan a aproximar las simulaciones químicas con un costo computacional significativamente menor, particularmente a medida que aumenta el tamaño del sistema. Esto es muy prometedor en el uso de técnicas simuladas habilitadas por IA para replicar sistemas de materiales de mayor complejidad. El descubrimiento potencial de nuevos materiales podría contribuir a la reducción de costos y huella de carbono.

Intel y Mila colaborarán en el desarrollo de innovaciones científicas y tecnológicas para mejorar el rendimiento de las GNN en simulaciones atomísticas, como el conjunto de datos Open Catalyst. Estos esfuerzos pueden democratizar potencialmente la capacidad de los investigadores para interactuar con datos de materiales atomísticos al mejorar la cartera de tecnología relacionada. Los equipos de investigación trabajarán en la creación de marcos basados en el aprendizaje para buscar de manera efectiva dentro de los vastos espacios de búsqueda que se encuentran en las aplicaciones de diseño de materiales. Estos marcos pueden basarse en ideas de aprendizaje por refuerzo, algoritmos de búsqueda, modelos generativos, así como otros algoritmos de aprendizaje automático, incluidas las redes de flujo generativo iniciadas por Mila.



* Aplicación del aprendizaje automático causal para la ciencia del clima: Si bien los modelos climáticos estándar basados en la física pueden ayudar a predecir los efectos del cambio climático, son complejos y computacionalmente costosos. A menudo tardan meses en ejecutarse, incluso en hardware de supercomputación especializado, lo que reduce la frecuencia de las ejecuciones de simulación y la capacidad de proporcionar predicciones granulares y localizadas. Además, estos modelos suelen ser incapaces de explicar el razonamiento o las relaciones causales subyacentes a sus predicciones. Intel y Mila tienen como objetivo llenar este vacío mediante la construcción de un nuevo tipo de emulador de modelos climáticos basado en el aprendizaje automático causal para identificar qué variables son predictivas entre las entradas de alta dimensión a los modelos climáticos tradicionales. El proyecto busca permitir avances significativos en la ciencia del clima e informar directamente las políticas al permitir predicciones exhaustivas y confiables de los efectos del cambio climático.

* Acelerar el estudio de los impulsores moleculares de las enfermedades y el descubrimiento de fármacos: El descubrimiento de fármacos es un proceso largo que en promedio cuesta 2.600 millones de dólares por medicamento aprobado. El coste es alto porque encontrar una molécula pequeña que se una a un objetivo en particular es un proceso peligroso y altamente incierto que puede llevar más de una década. Además, incluso cuando se encuentra una molécula, existe la posibilidad de que falle en etapas posteriores.

Los investigadores de Intel y Mila trabajarán juntos para identificar mejores moléculas candidatas a fármacos de manera más rápida y sencilla. Por ejemplo, predecir fenotipos complejos, incluidas las enfermedades basadas en el genotipo de polimorfismos de un solo nucleótido (SNP), ha sido un desafío de larga data en la biología digital porque la mayoría de los fenotipos se ven afectados por muchos SNP en todo el genoma. El principal desafío computacional es aprender conjuntamente los efectos causales de todos los SNP en el genoma sobre los fenotipos, utilizando datos de población a gran escala. La solución exacta tiene un espacio de búsqueda de tamaño exponencial al número de SNP. Con millones de SNP detectados, la solución exacta es computacionalmente intratable. Sin embargo, con la disponibilidad de datos de alta resolución, el advenimiento de los avances en IA y el crecimiento en la densidad de cómputo impulsado por la Ley de Moore, Intel y Mila planean desarrollar técnicas de IA para:

* Comprender los impulsores moleculares detrás de las enfermedades, prediciendo fenotipos complejos, incluidas las enfermedades basadas en el genotipo de los SNP.

* Identificar las moléculas de fármaco más prometedoras. Las nuevas técnicas de IA implementadas por Intel y Mila aspiran a reducir significativamente este costo y llevar los medicamentos transformadores al mercado antes.