אז מה עושים שם באוניברסיטה? פרק 14: תנו לרובוט לעבוד, על בחינת מועמדות לתרופות עבור רפואה מותאמת אישית

נפגשתי עם דר' לאונרדו סולמסקי כדי לשאול אותו מה עושים שם באוניברסיטה.

לפני מספר חודשים ראיינתי את שרון לפלר, דוקטורנט בקבוצה של פרופ' מיגל וייל במחלקה לחקר התא ואימונולוגיה בפקולטה למדעי החיים באוניברסיטת תל-אביב, בנושא פיתוח מודל-מחקר למחלות 'יתומות'. בסוף הראיון סיפר לי שרון על מערכת רובוטית חדשה וייחודית שמותקנת במעבדתם ויכולה לבדוק במהירות וביעילות את ההשפעה של מספר רב של חומרים על תאים 'חולים' כדי למצוא תרופות חדשות.

דר' סולמסקי אחראי על תפעול המעבדה הנקראת Cell screening facility for personalized medicine. ביקרתי אותו כדי לשמוע יותר על עבודתו הייחודית. את הידע על הטכנולוגיה הוא רכש במהלך התמחות במספר מעבדות בחו"ל ובעיקר באוניברסיטת הרווארד.

דר' סולמסקי נולד בארגנטינה ועלה לארץ בשנת 2003. הוא ביוכימאי, רוקח, וביולוג ואת עבודת הדוקטורט שלו עשה בפקולטה למדעי החיים באוניברסיטת תל-אביב. הוא נשוי + ילד, ובזמנו הפנוי אוהב לבלות עם המשפחה, לרוץ או לנגן מוזיקה.

לאונרדו, אז מה אתה עושה שם?

המטרה הכללית של המעבדה היא בדיקה ומיון של חומרים ומציאת מועמדים עבור תרופות למחלות נוירודגנרטיביות ולעיתים גם נדירות (APBD, ALS, FD, MNGIE, ועוד), ולכן אינן מהוות מטרה עבור חברות התרופות (מחלות 'יתומות'). העבודה נעשית באמצעות מערכת ממוחשבת וייחודית שמורכבת ממספר מכשירים המתואמים זה עם זה. שיטת העבודה נקראת high content screening, ובה מצלמים תאים חולים תחת מספר רב של טיפולים שונים ובעזרת התמונות מחפשים שינויים בפרמטרים שונים שיעידו על שיפור במצב. למרות שהיינו הראשונים לייבא אותה לארץ, כיום קיימות מערכות נוספות. עם זאת, אנחנו עדיין היחידים שעשינו אינטגרציה בין הרובוט למערכת איסוף התמונות ולאינקובטור. כלומר התהליך הוא אוטומטי מרגע הכנסת התאים ועד קבלת הנתונים מצילומם.

ספר לי על המערכת

המערכת כוללת רובוט שמבצע פעולות מכאניות להכנת הדגמים הנמדדים, מכשיר הנקרא 'IN Cell Analyzer 2000' המסוגל לצלם באורכי גל שונים מספר רב של תמונות בזמן קצר, אינקובטור אוטומטי המאפשר לגדל תאים בצורה מבוקרת על ידי הרובוט, ותוכנות לניתוח אוטומטי של התמונות (ראו תמונה 1). כל תהליך ההכנה מתבצע באווירה סטרילית במנדף ביולוגי.

תמונה 1: מערכת הצילום, האינקובטור האוטומטי והרובוט בתוך המנדף. המקור לתמונה: דר' סולמסקי, אוניברסיטת תל אביב.

כיצד מתבצע ניסוי במערכת?

לפני תחילת הניסוי יש לאפיין את ההבדלים בין תאים בריאים לחולים מכיוון שיש בכוונתנו לחקור ולאפיין תגובה של תאים חולים לחומרים שונים. שלב הכנה זה נעשה אצלנו ביחידה מראש לפני תהליך ה-screening.

בתחילת הניסוי יש להכין את התאים שאנחנו מעוניינים לבדוק. כחלק מההכנה של התאים לניסוי אנחנו בדרך כלל משתמשים בצבענים פלואורסנטיים שונים לסמן אברונים שונים או חלבונים מעניינים בתא.

הרובוט המכאני מבצע את כל הפעולות הנדרשות להכנת הצלחות המכילות את התאים לצילום. אנחנו מספקים לרובוט צלחות מיוחדות עם מספר רב של באריות קטנות, מאגר של תאים ואת החומרים הרצויים, והרובוט עושה את כל השאר. הוא זורע את התאים בבאריות, מוסיף חומרים כשצריך ומוביל את הצלחות בין התחנות השונות במערכת. אנחנו רוצים לבדוק את ההשפעה על התאים של כ-20,000 חומרים שונים הלקוחים מספריית מולקולות קטנות. הרובוט מבצע את המשימה ביעילות, בדייקנות ובמהירות שאינן אפשריות עבור חוקר אנושי.

כיצד מתבצע הצילום?

הצלחת שמכילה מספר רב של באריות עם תאים שנחשפו לחומרים ולאחר מכן נצבעו, מוכנסת למכשיר הצילום על ידי הרובוט. כל בארית מצולמת במספר אורכי גל פלורוסנטיים בהתאם לצבענים שהשתמשנו. הצילום הוא מהיר מאוד, ברזולוציה גבוהה ובתמונה רחבה. לאחר הצילום התמונות נשלחות למחשבי האנליזה.

מהו תהליך האנליזה?

התהליך מכיל מספר שלבים. השלב הראשון נקרא סגמנטציה, ובו התוכנה מבדילה בין הפיקסלים שמכילים מידע ואלה שמהווים את הרקע. התוכנה מזהה אובייקטים בתמונה כגון תאים או גרעינים, כל אחד באורכי הגל בהם נצבעו. על מחשבי התחנה ישנן תוכנות המריצות אלגוריתמים שמתמחים בביצוע פעולות אלה, אך לשם קבלת תוצאה אופטימלית נדרשות התאמות עדינות המבוצעות על ידי המשתמש ודורשות מומחיות בתפעול וניסיון.

השלב הבא הוא חיבור התמונות של אורכי הגל השונים. לדוגמא אם התאים צבועים באדום והגרעינים בכחול, שלב הסגמנטציה יזהה את כל הפיקסלים האדומים שמרכיבים תא מסוים, ואת כל הפיקסלים הכחולים שמרכיבים גרעין מסוים. בשלב החיבור, שנקרא LINKAGE, תאחד התוכנה את כל הפיקסלים האדומים של התא עם כל הפיקסלים הכחולים של הגרעין שלו תחת אובייקט אחד שהוא אותו תא.

בשלב המדידה אנחנו מחליטים אילו פרמטרים אנחנו רוצים לנתח עבור אותם אובייקטים שזוהו על ידי התוכנה. אפשר להסתכל על הרבה פרמטרים בכל אחד מהאברונים שמרכיבים את התא כגון: מספר, גודל, עוצמת האות, היקף, צורה, מיקום, מרחק לאברונים אחרים, ועוד רבים, וגם להגדיר לבד פרמטרים חדשים.

אז מה אתם בדרך כלל מחפשים?

אנחנו עושים משהו שנקרא: Phenotypic drug discovery. אנחנו מחפשים בתמונות תחת אילו טיפולים נראים הפרמטרים של התאים החולים דומים יותר לבריאים. חומרים אלו יהיו מועמדים טובים עבור תרופות לטיפול במחלה.

אמרת שיש כ-20,000 באריות ועשרות פרמטרים, איך אתם עוקבים אחרי השינויים?

יש כמה שיטות להתמודד עם כל המידע הזה. ניתן לבצע כל מיני ניתוחים סטטיסטיים, ולהציג את המידע בצורות שונות. אני אתן לך דוגמא לאחת השיטות שנקראת Profile chart. בשיטה זאת אנחנו בוחרים לעבוד רק עם כמה פרמטרים שנראו שונים בין תאים בריאים לחולים בשלב האפיון המוקדם. את הערכים שנמדדו בתאים חולים שעברו טיפול אנחנו מנרמלים בין 0 ל- 100, כך שניתן להציג את כולם על אותו גרף. הגרף מכיל מספר פרמטרים בציר האופקי ואת ערכם המנורמל בציר האנכי, וצורתו היא המאפיין של תא, כך שכל התאים הבריאים, למשל, יראו תבנית דומה מאוד בגרף כזה, ושונה לזה שמראים תאים חולים (ראו תמונה 2). התוכנה יכולה לבצע ניתוח סטטיסטי על הגרפים שהופקו מהצילומים ולמצוא את החומרים שגרמו לדפוס הקרוב לזה של תאים בריאים. את כל זאת ניתן לעשות מבלי לנתח את השפעה של החומר על כל תכונה ותכונה באופן פרטני. זהו בעצם תהליך המיון של התרופות (drug screening), ועבור כ-20,000 חומרים הוא עלול להמשך כחודשיים (כולל ההכנה והמדידה של התאים).

תמונה 2: צילום מסך לדוגמא של profile chart. השוואה בין פרופיל של תאים חולים (אדום) לפרופיל של תאי ביקורת (כחול). שימו לב להבדל בין שני סוגים שונים של תאים ולדמיון בין חזרות שונות של ניסוים באותם תאים. המקור לתמונה: דר' סולמסקי, אוניברסיטת תל אביב.

אז מה החזון שלכם לעתיד?

כפי שהסברתי, כיום אנחנו יכולים באמצעות המערכת לסרוק בזמן קצר יחסית מספר עצום של חומרים המועמדים לשמש כתרופות למחלות שונות. מה שאנו שואפים להקים בעתיד הוא מערך טיפול שבו ניתן לקחת תאים מאדם בודד ולהתאים לו תרופות באופן אישי בזמן ומחיר סבירים. זה החזון, ומכאן נגזר שמה של המעבדה: Cell screening facility for personalized medicine.

אז מה עושים שם באוניברסיטה? פרק 7: לאמן את פאקמן להבקיע גולים – על רובוטיקה אבולוציונית

נפגשתי עם שלומי ישראל כדי לשאול אותו מה עושים שם באוניברסיטה.

שלומי נמצא לקראת סיום התואר השני שלו בהנדסת חשמל באוניברסיטת תל אביב. את מחקרו הוא ביצע תחת הנחייתו של דר' עמירם מושיוב מביה"ס להנדסה מכאנית, ועיקר עינינו הוא ברובוטיקה אבולוציונית. את התואר הראשון עשה בטכניון בהנדסת-חשמל ופיזיקה. שלומי, עד לא מזמן איש קבע, נשוי ומתגורר עם אשתו ובתו בחיפה. בזמנו הפנוי הוא אוהב להאזין לפודקאסטים, ולאחרונה התחיל לשחק אולטימייט פריזבי, שזה מין הכלאה בין פריזבי ופוטבול אמריקאי.

שלומי, אז מה אתם עושים שם?

אנחנו עוסקים בשילוב בין שני תחומים: רובוטיקה אבולוציונית ו-multi-objective optimization (אופטימיזציה מרובת מטרות). אני יודע שהמושגים מרתיעים אבל אל דאגה, אנחנו נפרק אותם לאט ובזהירות.

תמונה 1: רובוט עם הנעה דיפרנציאלית שפותח ב- Georgia Institute of Technology. המקור לתמונה: ויקיפדיה.

אז בוא נתחיל בשאלה מהם רובוטים?

הרובוטים שבהם אנו עוסקים הם ישויות בעלות יכולת לחוש קלט על העולם סביבם ולהגיב לפי חוקיות מסוימת. הקלטים יכולים להיות למשל חיישנים המודדים את המרחק מקיר או מכדור והפלט יכול להיות תנועה. התנועה ברובוטים שלנו מתבצעת על ידי הנעה דיפרנציאלית בעזרת שני גלגלים. בין הקלט לפלט ישנו בקר שקובע כיצד לנהוג עבור קלטים שונים. בבקר ישנם פרמטרים חיצוניים שאותם אפשר לשנות ולהשפיע על התנהגות הרובוט.

למרות שמדובר ברובוטים הנעים במרחב, גם הרובוטים וגם המרחב נמצאים בד"כ בסימולציה במחשב. עם זאת, החיישנים, ההנעה והבקרים של הרובוטים מבוססים על החומרה האמיתית וניתן בקלות יחסית להעביר את המערכת לעולם האמיתי. אם ניקח לדוגמא את מכשיר ה-Roomba, סביר להניח שלפני שיוצר לראשונה הוא נבדק כתוכנת מחשב המנקה חדר וירטואלי לחלוטין, ונבנה רק אחרי שהראה ביצועים טובים שם.

תמונה 2: רומבה בנקודת העגינה. המקור לתמונה: ויקיפדיה.

אוקיי, אז מהי רובוטיקה אבולוציונית?

המפעיל האנושי מגדיר מטרת-על עבור הרובוטים שאינה מתוכנתת בהם מראש. הניסוי מתבצע בזירה בה אוכלוסיה אקראית של רובוטים מתמודדת להשגת המטרה, ולאחר מספר התמודדויות בודקים את ביצועי הרובוטים. אם למשל מטרת העל היא להגיע מנקודה A ל-B אז בודקים מי מבין הרובוטים הגיע הכי קרוב. מהרובוטים המוצלחים ביותר יוצרים את הדור הבא של הרובוטים, כאשר משכפלים את הבקרים שלהם עם שינויים אקראיים, ואף משלבים בקרים שונים במין זיווג. את הסיכוי למוטציות בדרך כלל קובעים מראש מתוך מודלים שנחקרו בעבר. הניסוי מסתיים לאחר מספר דורות אבל אז חוזרים להריץ אותו שוב עוד מספר פעמים מכיוון שנתוני הפתיחה הם אקראיים והתוצאות של ניסוי בודד משתנות מריצה לריצה.

הרובוטיקה האבולוציונית מאפשרת לפתח בקרים מורכבים מאוד בצורה יעילה. אבל המטרה הכללית של המחקר היא הנדסית – לפתח שיטות שבעזרתן נוכל לתכנן ביתר קלות רובוטים שיתמודדו עם מגוון תנאי סביבה שלא נקבעו מראש. כלומר, לא לפתח את הרובוט המושלם, אלא לפתח את התהליך האופטימלי לאמן רובוטים למשימות נדרשות.

ומהי אופטימיזציה מרובת מטרות?

כאשר מבצעים אופטימיזציה יש להגדיר פונקצית מטרה שתגיד לנו עד כמה הרובוט מוצלח. למשל אם המטרה היא להגיע מנקודה A ל-B אז ככל שהרובוט קרוב יותר ל-B, הפונקציה תוציא ניקוד גבוה יותר. באופטימיזציה מרובת מטרות מגדירים מספר פונקציות מטרה. אם נחשוב לדוגמא על פאקמן, אז מטרה אחת שלו היא לאכול כמה שיותר נקודות ופירות, ומטרה שניה היא לשמור על כמה שיותר פאקמנים חיים.

בדרך כלל המטרות השונות באות אחת על חשבון השניה כי אחרת יכולנו להסתפק רק באחת מהן. לדוגמא, אם פאקמן ייקח יותר מידי סיכונים לשם אכילת פירות רבים, סביר שהוא יסיים את המשחק מהר עקב מפגש תכוף עם השדים. אך אם לא ייקח סיכונים כלל, לא יאכל פירות. לבעיה קיים סט של פתרונות אופטימליים, שונים בהרכבם אבל טובים באותה מידה. המטרה שלנו היא להביא את המערכת לאחד מאותם פתרונות. כל עוד ניתן לשפר מטרה אחת ללא פגיעה במטרה אחרת, אנחנו יודעים שעוד לא מצאנו את אחד מהפתרונות האופטימליים (בעגה: חיפוש ה- Pareto front).

תמונה 3: צילום מסך של משחק פאקמן מהאתר הזה.

ואיך קושרים את ריבוי המטרות לאבולוציה?

במקרה של אופטימיזציה מרובת מטרות, הרובוטים שירכיבו את הדור הבא יבחרו לפי מספר מטרות-על, תוך שימוש בניתוח שתיארתי קודם. למשל נוכל להגדיר שתי מטרות-על: להגיע מנקודה A ל-B ולאסוף כמה שיותר חפצים בדרך. מכיוון שאלו שתי מטרות מנוגדות, סביר שבסוף התהליך הרובוטים לא יצטיינו באף אחת מהמטרות הבודדות אלא ידגימו סוג של פשרה מיטבית.

אז מה ניתן לחקור עם כל הרובוטים האלה?

אני אתן לך דוגמא. לפני כמה שנים התפרסם מחקר שבו הריצו רובוטים בזירה שבה שני אלמנטים חשובים: נקודות אוכל ונקודות רעל. מטרת העל של המתכנן, שאינה ידועה לרובוטים, היא שהם ישהו כמה שיותר זמן בנקודות האוכל וימנעו מנקודות הרעל. הרובוטים יכולים לאותת אחד לשני בעזרת אור, מבלי שמוגדרת להם משמעות הפעולה.

בחירת הרובוטים להרכבת הדור הבא נעשתה במחקר באחת משתי דרכים: או לפי הצלחה של רובוטים בודדים או לפי הצלחה קבוצתית. תוצאות המחקר הצביעו על כך שבמקרים שההצלחה נשפטה לפי קבוצה, התפתחה בין הרובוטים היכולת לאותת "חבר'ה, בואו לפה, יש כאן אוכל!". הרובוטים שפיתחו קשר בין איתות למיקום אוכל הם אלו שעברו לדורות הבאים. לעומת זאת, במקרים שבהם ההצלחה נשפטה לפי רובוטים בודדים, או שהאיתות לא התפתח למשהו בעל משמעות או שהוא התפתח לאות שמטרתו הולכת שולל, למשל איתות ליד הרעל, וזאת מכיוון שיש תחרות על משאבים.

כלומר שבניסוי די פשוט הצליחו החוקרים לגרום לרובוטים לפתח התנהגות מורכבת למדי, וכזאת שמתאימה למה שאנחנו רואים בטבע.

ספר לי בקצרה על מה אתה עושה במחקר שלך.

בכיף. אנו מאמנים שתי קבוצות רובוטים לשחק גרסה פשוטה של כדורגל, כלומר המטרה היא להבקיע גולים. כפי שכבר ציינתי, את הניסוי מתחילים עם אוכלוסיה אקראית. אך מה הסיכוי שאוכלוסיה כזאת תצליח להכניס אפילו גול אחד? ואם כולם נכשלים, אז איך נבחר את הרובוטים המוצלחים לדור הבא? ניתן כמובן, להגדיר מטרות יותר ממוקדות, אך אז אנחנו בעצם כבר מהנדסים את הפתרון וזה קצת חוטא למטרת הניסוי. יש לנו פה בעיה של bootstrapping – אתחול הניסוי. הגישה שלנו לפתרון היא להפריד את הבעיה הכללית מבעיית האתחול. עבור בעיית האתחול אנו קובעים יעדי ביניים, ותוקפים אותה באמצעות אופטימיזציה מרובת מטרות.

תוך שימוש בשיטות סטטיסטיות עלה בידינו להראות שהשיטה שפיתחנו משיגה תוצאות טובות יותר (למשל יותר גולים) משיטות מקובלות אחרות בתנאי ריצה זהים.

————————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו 

הרשימה הזאת מיותרת – מרובוטים מג'עג'עים ועד מדענים ממוחשבים

מי מכם שנכח בהרצאות אקדמיות בתחומי המדע יודע שפעמים רבות זהו אירוע מעייף, מעיק ומשעמם גם יחד. הבנת ההרצאה אינה מובטחת אפילו עבור אלו שהתמזל מזלם ויש להם ידע מוקדם כלשהוא על הנושא. בדיוק מהסיבה הזאת הופתעתי כאשר שמעתי את ההרצאה של פרופ' הוד ליפסון מאוניברסיטת קורנל (בעברו מהטכניון).

ליפסון מספר סיפור שמתחיל ברובוטים מֶדדים שלומדים ללכת ומסתיים בתוכנת מחשב שפותרת פיזיקה מבלי לדעת פיזיקה. ההרצאה מצוינת: גם קולחת, גם מרתקת ואפילו מצחיקה (כן, כן). בנוסף חשוב להזכיר שאין צורך (לדעתי) ברקע בתחום כדי ליהנות ממנה, גם אם פה ושם ישנם מונחים או משוואות שלא מכירים. מכיוון שההרצאה זמינה ביוטיוב (באנגלית) ההמלצה שלי אליכם הקוראים: חדלו ברגע זה מלקרוא רשימה זאת ועברו לצפות בהרצאה ! (כ-55 דקות)

להרצאה

אתם עדיין פה? טוב, 55 דקות זה באמת הרבה זמן. בדיוק בשביל זה המציאו את הגרסה המקוצרת.

להרצאה המקוצרת

עדיין פה? טוב, בסדר, אני מבין, וידאו זה לא בשבילכם. אז תנו לי לספר לכם בקצרה על מה מדובר ואולי תשנו את דעתכם לגבי הצפייה.

פרופ' הוד ליפסון. המקור: צילום מסך מההרצאה.

רוב הרובוטים כיום הם מכונות אשר נבנו לבצע משימות מסוימות בצורה יעילה וטובה יותר מהאדם. לדוגמא, מכונה המבריגה ברגים עושה זאת במהירות וברמת דיוק הגבוהים בהרבה מיכולתו של צ'רלי צ'פלין לעשות זאת גם אם היה מוכשר ומנוסה ביותר. עם זאת, אם משהו משתבש, למשל אם זיז מהמכונה משתחרר או רכיב נשבר, המכונה יוצאת מכלל שימוש עד אשר תתוקן. כלומר, למכונות אלו אין יכולת להתמודד עם מצבים בלתי צפויים.

בהרצאה מציג ליפסון רעיון מעניין לתכנון רובוט בעל יכולת התמודדות עם הבלתי צפוי. הרעיון דומה למדי לשיטה המדעית. ראשית נבחן תופעה מסוימת למשל על ידי ניסוי. בהתאם לתוצאות, נציע מספר מודלים אשר מסבירים בצורה הטובה ביותר את התוצאות. כעת, נבחר לבצע ניסוי אשר ביכולתו לסתור את מספר המודלים הרב ביותר בכדי לסנן החוצה מספר רב ככל האפשר של מודלים שגויים. בסוף ניסוי זה נציע שוב מודלים (משופרים) על סמך התוצאות החדשות, וכך הלאה עד למיצוי התהליך.

איך מיושמת השיטה ברובוטים? לשם כך נבנה רובוט הנראה כמו כוכב ים בעל ארבע רגליים ומכיל מספר מנועים לתנועה ומכשירי מדידה לקבלת אינפורמציה על הזווית והמיקום (ראו תמונה). אבל הדבר יוצא הדופן ברובוט זה הוא שאין לו מידע מוקדם על איך הוא עצמו נראה וכיצד עליו לנוע. על ידי ביצוע פעולות במנועים וניתוח המידע המתקבל מהחיישנים בתגובה הרובוט מעלה מספר מודלים לצורה בה הוא בנוי (מתוך מאגר סופי של אבני בניין אפשריות). בשלב הבא הרובוט מוצא את הנקודה שעבורה יש את חוסר ההתאמה המרבי בין תחזיות המודלים ומבצע תנועה (ניסוי) אשר תבחן נקודה זאת. בעקבות התוצאות, הרובוט משפר את המודל של צורתו וכך ממשיך עד למיצוי התהליך. כעת בעזרת המודל שברשותו הוא מפתח דרך לנוע מנקודה לנקודה. ניתן לראות בוידיאו מההרצאה שהרובוט אכן מצליח לנוע אך התנועה רחוקה מלהיות 'יפה' – הוא מג'עג'ע. אך לא כאן טמון כוחו.

האם יוכל הרובוט להתמודד עם הבלתי צפוי? ובכן, המדענים אינם רחומים ומפרקים לו את אחת הרגליים. הרובוט בתגובה מבצע מספר ניסויים, מעדכן את המודל בהתאם ומצליח לשוב ולנוע. מדדה אבל מתקדם.

הרובוט שלומד מה הוא ואז לומד ללכת. המקור: צילום מסך מההרצאה.

ניתן ליישם את אותו כיוון מחשבתי גם עבור בעיות שונות לחלוטין כפי שמדגים ליפסון. למשל נוכל להחליף את אבני הבניין הרובוטיות בסימנים הלקוחים ממשוואות כגון חיבור, חילוק, שורש וכדומה ונדרוש מהמחשב לבנות בעזרתם מודל שיתאים לסט מסוים של נתונים. המחשב יבחן בכל איטרציה נקודות בסט הנתונים אשר עליהן יש את מירב חוסר הסכמה בין תחזיות המודלים. מתוך כך יוכל המחשב לשפר את המודלים עד לקבלת המודל האופטימאלי. מודל זה לא יהיה עקום המתאר את הנתונים הספציפיים אלא סט המשוואות המתארות את התופעה הכללית, למשל משוואות התנועה (הדיפרנציאליות) עבור מערכת מכאנית כמו מטוטלת. כלומר, המחשב יכול לייצר את חוקי הפיזיקה עבור כל סט של נתונים שמדדתם ללא כל ידע מוקדם בפיזיקה! [1]

עבור הפיזיקאים שכבר חוששים למקום עבודתם, הירגעו. המחשב עדיין זקוק לכם שתזינו לו את הנתונים, שתבחרו עבורו את אבני הבניין המתמטיות המתאימות והכי חשוב: שתנסו להבין את המשמעות של הגדלים במשוואות שהוא הפיק. אם המחשב מצא משוואה שאינה מוכרת, קשה מאוד לפענח מה המשמעות הפיזיקלית של המשתנים במשוואה.

לאחר שהגיעו אליהם מספר רב מידי של בקשות לעזרה בניתוח נתונים החליטו חברי הקבוצה לאפשר שימוש בתוכנה לכל מי שמעוניין והיא זמינה כיום להורדה חינמית ברשת.

ומילה לסיום, אם אתם חוככים כעת את ידיכם בסיפוק בדרכיכם להשתמש בתוכנה כדי לפצח את שוק המניות דעו כי רבים היו שם לפניכם.

———————————————————————-

[1] הערה למי שבקיא בפיזיקה: מלבד מציאת חוקי הדינמיקה של המערכת הפיזיקלית נוכל לדרוש מהמחשב למצוא מה לא משתנה במערכת וכך הוא יוכל להפיק את ההמילטוניאן, הלגרנג'יאן ושימור התנע.