Исследователи разрабатывают разговорный искусственный интеллект для самоуправляемых лабораторий

Корейские исследователи разработали технологию искусственного интеллекта для самоуправляемых лабораторий (SDLS), которая включает опыт и знания исследователей, выраженные на естественном языке, в автономное планирование экспериментов.

Исследовательская группа под руководством доктора Гванг-Но Ана из Корейского научно-исследовательского института химических технологий (KRICT) разработала фреймворк оптимизации "человек в цикле" (HILO), который использует большие языковые модели (LLM) для преобразования знаний исследователей в информацию для оптимизации экспериментов.

Результаты были опубликованы в журнале Journal of Chemical Information and Modeling.

Ожидается, что технология позволит сократить дорогостоящие эксперименты методом проб и ошибок и ускорит разработку новых материалов и катализаторов.

Автономные лаборатории самостоятельно определяют оптимальные условия эксперимента, изучая предыдущие результаты. В отличие от обычного автоматизированного оборудования, которое повторяет заранее определенные процедуры, SDL самостоятельно выбирают последующие эксперименты.

Однако обычные SDL часто сталкиваются с проблемой холодного запуска, требуя, чтобы искусственный интеллект заново открывал даже хорошо зарекомендовавшие себя химические знания в ходе повторных экспериментов. Это особенно дорого при исследовании катализаторов, где синтез и анализ могут занимать более половины рабочего дня на один эксперимент.

Чтобы преодолеть это ограничение, команда интегрировала LLM с байесовской оптимизацией (BO). LLM преобразует рекомендации исследователей на естественном языке в структурированную предварительную информацию и ограничения, позволяя ИИ использовать экспертные знания, не требуя сложного программирования или математического моделирования.

Команда также внедрила адаптивное определение достоверности результатов (AWCD), чтобы не допустить, чтобы вводящие в заблуждение экспертные знания ставили под угрозу оптимизацию. AWCD отслеживает соответствие между предварительными знаниями и экспериментальными данными, автоматически отключая ненадежные предварительные данные и возвращаясь к оптимизации на основе данных, когда появляется достаточно противоречивых данных.

В тестах, включавших заведомо неверное руководство, традиционные методы не смогли определить оптимальные условия, в то время как новая платформа обнаружила вводящую в заблуждение информацию и восстановила эффективность оптимизации.

Validation using virtual experimental environments based on real data demonstrated substantial improvements. For the Ugi multicomponent reaction, the number of searches required to achieve target performance decreased from approximately 30 to fewer than 10. For electrically conductive P3HT-CNT composites, searches dropped from approximately 20 to just three to five.

These results indicate an effect comparable to having approximately 40 experimental data points available in advance, potentially saving around 20 days of initial exploration in catalyst experiments requiring half a day or more per run.

The team also developed and released an interactive Co-Scientist interface, enabling researchers to adjust experimental directions through natural-language dialogue during optimization. The researchers plan to validate the technology using physical self-driving laboratory equipment.

Ahn of KRICT said, "This technology serves as both a research partner that enables scientists and AI to collaborate and a core software platform functioning as the brain of a self-driving laboratory. We expect it to significantly reduce research and development time and costs."