Éltető Noémi magyar kötődésű kutató egy olyan új módszer társszerzője, amely nem egyszerűen meglévő adatokat elemez, hanem azt is megpróbálja meghatározni, milyen következő kísérlet különböztetné meg a leghatékonyabban a versengő tudományos hipotéziseket. Az ATLAS nevű rendszer az automatizált tudomány egyik izgalmas irányát képviseli, miközben eredményeit egyelőre szimulált környezetben igazolták.
Budapesten mutatta be friss kutatását
A Magyar Machine Learning Találkozó 2026-os programja szerint Éltető Noémi augusztus 11-én mutatta be az ATLAS: Active Theory Learning for Automated Science című munkát Budapesten. A háromnapos találkozó kifejezett célja, hogy a külföldi intézményekben dolgozó magyar gépi tanulási kutatókat összekapcsolja a hazai szakmai közösséggel és a fiatal kutatói generációval. Éltető előadását a program az MPI Tübingen és a Google DeepMind kapcsolódásával tüntette fel.
Az ELTE-től a nemzetközi kutatási környezetig
Éltető Noémi korábban kognitív tudományt és számítástechnikát tanult az Eötvös Loránd Tudományegyetemen, később pedig a tübingeni Max Planck Institute for Biological Cybernetics számításos idegtudományi kutatásaihoz kapcsolódott. Munkájának egyik központi kérdése, hogyan lehet viselkedési adatokból olyan modelleket alkotni, amelyek nemcsak jó előrejelzést adnak, hanem az adott viselkedés mögött álló mechanizmusokról is értelmezhető tudást nyújtanak.
Az ATLAS a következő kísérletet is megtervezi
Az arXiv-on júniusban közzétett tanulmány szerint az ATLAS aktív tanulási keretrendszer, amely felváltva állít elő lehetséges mechanisztikus hipotéziseket és tervez olyan kísérleteket, amelyek a lehető leghatékonyabban különböztetik meg ezeket egymástól. A kutatók megerősítéses tanulási ágensek viselkedésének visszafejtésén tesztelték a módszert, és a véletlenszerű kísérletezéshez képest az alkalmazott mérőszámok alapján 5-10-szeres javulást értek el a mintahatékonyságban.
Nem minden kísérlet ad ugyanannyi információt
A módszer mögötti gondolat egyszerűen megfogalmazva az, hogy a tudományos kutatásban nemcsak az számít, mennyi adatot gyűjtünk, hanem az is, milyen kérdéssel szerezzük meg azt. Ha két elmélet szinte minden hétköznapi helyzetben ugyanazt jósolja, akkor olyan kísérletre van szükség, amelyben eltérő előrejelzést adnak. Az ATLAS ezt a problémát algoritmikusan közelíti meg: olyan helyzeteket keres, amelyekből a legtöbb információ nyerhető arról, melyik magyarázat áll közelebb a vizsgált mechanizmushoz.
Még nem önállóan dolgozó mesterséges tudós
A kutatás eredményeit fontos pontosan értelmezni. A tanulmány szimulált, úgynevezett in silico kísérletekről számol be, ezért az ATLAS még nem olyan rendszer, amely emberi közreműködés nélkül valós laboratóriumokat irányít vagy tudományos felfedezéseket végez. A munka azt mutatja meg, hogy egy algoritmus képes lehet informatívabb kísérletek kiválasztására és mechanisztikus modellek hatékonyabb elkülönítésére. Ez alapot teremthet későbbi alkalmazásokhoz, de nem indokol ennél erősebb állítást.
Magyar tudás a mesterséges intelligencia és a tudomány határán
Éltető Noémi pályája jól mutatja, hogyan kapcsolódhat a magyar felsőoktatásban megszerzett tudás a nemzetközi kutatási élvonalhoz. Az ATLAS különlegessége nem egy látványos fogyasztói alkalmazásban rejlik, hanem egy alapvető tudományos kérdés újragondolásában: hogyan lehet kevesebb, de informatívabb kísérletből jobb modelleket építeni. Ha az ilyen módszerek később valós kutatási környezetekben is bizonyítanak, a mesterséges intelligencia nemcsak az adatok feldolgozásában, hanem a tudományos kérdések megtervezésében is egyre fontosabb eszközzé válhat.
Forrás: Magyar Machine Learning Találkozó, arXiv, Max Planck Institute for Biological Cybernetics
CS.SZ.
