Moderní výzkumné laboratoře využívají umělou inteligenci (AI) k zpracování experimentálních výsledků s nebývalou rychlostí. Integrací AI s automatizovanými přístroji a superpočítači mohou vědci analyzovat rozsáhlé datové sady v reálném čase, okamžitě identifikovat vzory a dokonce předpovídat výsledky bez nutnosti pomalých tradičních experimentů. Tato schopnost již revolučně mění obory od materiálových věd po biologii.

Níže představujeme klíčové způsoby, jak AI výrazně zrychluje analýzu laboratorních dat:

• Automatizované „samořídící“ laboratoře: Roboti řízení AI provádějí experimenty nepřetržitě a vybírají vzorky k testování, čímž minimalizují nečinnost a zbytečná měření.
• Zpracování dat v reálném čase: Data přenášená z přístrojů jsou okamžitě zpracovávána AI systémy. Výzkumníci tak mohou experimenty upravovat za chodu, protože výsledky jsou k dispozici během minut místo dnů.
• Prediktivní modely strojového učení: Po natrénování mohou AI modely simulovat experimenty výpočetně. Například dokážou během minut vygenerovat tisíce molekulárních struktur nebo profilů genové exprese, což by laboratorní metody zabralo týdny či měsíce.
• Komplexní automatizace výzkumu: Široké AI platformy (jako MIT FutureHouse) jsou vyvíjeny tak, aby zvládaly celý pracovní postup – od rešerše literatury a sběru dat až po návrh experimentů a analýzu – a automatizovaly tak mnoho klíčových kroků výzkumu.

Tyto pokroky umožňují vědcům soustředit se na poznatky místo rutinního zpracování dat, což dramaticky urychluje tempo objevů.

Automatizace řízená AI v laboratořích

Výzkumníci budují autonomní laboratoře, které provádějí experimenty s minimálním lidským zásahem.
Například zařízení A-Lab v Lawrence Berkeley Lab kombinuje AI algoritmy s robotickými rameny: AI navrhuje nové materiály k vyzkoušení a roboti je rychle míchají a testují. Tento úzký cyklus „robotických vědců“ umožňuje ověřovat slibné sloučeniny mnohem rychleji než manuálními metodami.

Podobně projekt FutureHouse na MIT vyvíjí AI agenty, kteří zvládají úkoly jako vyhledávání literatury, plánování experimentů a analýzu dat, aby vědci mohli věnovat čas objevům místo rutinním činnostem.

Zvlášť pozoruhodným příkladem je „samořídící mikroskop“ v Argonne National Laboratory. V tomto systému AI algoritmus začíná skenováním několika náhodných bodů na vzorku a poté předpovídá, kde by mohly být další zajímavé oblasti.

Zaměřením se pouze na oblasti bohaté na data a vynecháním jednotvárných částí mikroskop sbírá užitečné snímky mnohem rychleji než tradiční bodové skenování. Jak vysvětlují vědci z Argonne, „řízení AI za chodu“ „odstraňuje potřebu lidského zásahu a výrazně urychluje experiment“.

V praxi to znamená mnohem efektivnější využití času na přístrojích s vysokou poptávkou: výzkumníci mohou během stejné doby provést několik vysoce detailních skenů, na které by manuální metody potřebovaly čas jen na jeden.

Zpracování dat v reálném čase ve výzkumných zařízeních

Velká výzkumná zařízení využívají AI k analýze dat během jejich vzniku. V Berkeley Lab jsou surová data z mikroskopů a dalekohledů přenášena přímo do superpočítače.

Pracovní postupy strojového učení tato data zpracovávají během minut. Například nová platforma Distiller posílá snímky z elektronového mikroskopu do superpočítače NERSC během snímání; výsledky se vrací okamžitě, což vědcům umožňuje experiment ihned upravit.

Dokonce i složité přístroje těží z této technologie: v laserovém urychlovači BELLA modely hlubokého učení neustále ladí laserové a elektronové paprsky pro optimální stabilitu, čímž výrazně zkracují čas, který vědci tráví manuální kalibrací.

Další národní laboratoře používají AI pro živou kontrolu kvality. Synchrotron NSLS-II v Brookhavenu nyní využívá AI agenty, kteří 24 hodin denně sledují experimenty na paprscích.

Pokud se vzorek posune nebo data vypadají „divně“, systém to okamžitě označí. Tento typ detekce anomálií šetří obrovské množství času – vědci mohou problémy řešit v reálném čase místo toho, aby je objevili až po hodinách ztraceného času na paprsku.

Podobně Velký hadronový urychlovač v CERNu používá „rychlé ML“ algoritmy zabudované do spouštěcího hardwaru: speciální AI v FPGA analyzuje signály srážek okamžitě, vypočítává energie částic v reálném čase a překonává starší filtry signálu.

Ve všech těchto případech AI mění pracovní postup z „sbírej vše a analyzuj později“ na „analyzuj za chodu“, což činí zpracování dat téměř okamžitým.

Prediktivní modely pro rychlé poznatky

AI nejen zrychluje stávající experimenty – nahrazuje také pomalou laboratorní práci virtuálními experimenty. V genomice například chemici z MIT vyvinuli ChromoGen, generativní AI, která se učí gramatiku skládání DNA.

Na základě DNA sekvence ChromoGen dokáže „rychle analyzovat“ sekvenci a během minut vygenerovat tisíce možných 3D struktur chromatinu. To je mnohem rychlejší než tradiční laboratorní metody: zatímco Hi-C experiment může trvat dny či týdny, než zmapuje genom jednoho typu buněk, ChromoGen vytvořil 1 000 předpovězených struktur za pouhých 20 minut na jednom GPU.

Důležité je, že předpovědi AI velmi přesně odpovídaly experimentálním datům, což potvrzuje správnost přístupu.

V biologii týmy na Columbia University natrénovaly „základní model“ na datech z více než milionu buněk, aby předpovídal aktivitu genů.

Jejich AI dokáže předpovědět, které geny jsou aktivní v daném typu buněk, v podstatě simuluje, co by rozsáhlý experiment genové exprese ukázal. Jak výzkumníci uvádějí, tyto prediktivní modely umožňují „rychlé a přesné“ rozsáhlé výpočetní experimenty, které doplňují a usměrňují práci v laboratoři.

V testech se předpovědi genové exprese AI pro nové typy buněk velmi přesně shodovaly s reálnými experimentálními měřeními.

Stručně řečeno, strojové učení nyní umožňuje vědcům provádět virtuální testy ve velkém měřítku: kontrolovat tisíce genomických nebo molekulárních scénářů v čase, který by v laboratoři zabral jen jeden.

Dopad a výhled do budoucna

Integrace AI do experimentálního pracovního postupu mění vědu. Automatizací analýzy dat a dokonce i rozhodování během experimentů AI proměňuje dřívější úzké místo v proces s vysokou rychlostí.

Výzkumníci uvádějí, že s nástroji řízenými AI se mohou „soustředit na objevování, zatímco stroje zvládají opakující se úkoly a analýzu obrovských datových sad v reálném čase“.

Jinými slovy, vědci mohou provádět více experimentů a rychleji z nich vyvozovat závěry než kdy dříve. Jak shrnují fyzici z Argonne, schopnost „automatizovat experimenty pomocí AI výrazně urychlí vědecký pokrok“.

Do budoucna lze očekávat, že role AI poroste: více laboratoří bude používat samořídící přístroje a více oborů se bude spoléhat na rychlou AI analýzu a predikci.

To znamená, že cyklus hypotézy, experimentu a výsledku se zkrátí – z let na měsíce či dokonce dny.

Výsledkem je nová éra vědy založené na datech, kde průlomy v materiálech, energetice, zdravotnictví a dalších oblastech mohou vznikat nebývalým tempem díky schopnosti AI rychle interpretovat experimentální data.