آزمایشگاه‌های تحقیقاتی مدرن از هوش مصنوعی (AI) برای پردازش نتایج آزمایش‌ها با سرعتی بی‌سابقه استفاده می‌کنند. با ادغام هوش مصنوعی با ابزارهای خودکار و ابررایانه‌ها، دانشمندان قادرند مجموعه داده‌های گسترده را در زمان واقعی تحلیل کنند، الگوها را به‌سرعت شناسایی کنند و حتی نتایج را بدون اجرای آزمایش‌های سنتی و کند پیش‌بینی نمایند. این قابلیت در حال حاضر در حوزه‌هایی از علوم مواد تا زیست‌شناسی تحول ایجاد کرده است.

در ادامه به بررسی روش‌های کلیدی که هوش مصنوعی تحلیل داده‌های آزمایشگاهی را بسیار سریع‌تر می‌کند می‌پردازیم:

• آزمایشگاه‌های خودران و خودکار: ربات‌های هدایت‌شده توسط هوش مصنوعی به‌طور مداوم آزمایش‌ها را اجرا می‌کنند و نمونه‌هایی را که باید آزمایش شوند انتخاب می‌کنند، که باعث کاهش زمان بیکاری و اندازه‌گیری‌های تکراری می‌شود.
• پردازش داده‌ها در زمان واقعی: داده‌های جریان‌یافته از ابزارها به سیستم‌های محاسباتی مبتنی بر هوش مصنوعی منتقل می‌شوند تا به‌صورت فوری تحلیل شوند. پژوهشگران می‌توانند آزمایش‌ها را در همان لحظه تنظیم کنند زیرا نتایج در عرض چند دقیقه به جای روزها بازگردانده می‌شوند.
• مدل‌های یادگیری ماشین پیش‌بینی‌کننده: پس از آموزش، مدل‌های هوش مصنوعی می‌توانند آزمایش‌ها را به‌صورت محاسباتی شبیه‌سازی کنند. برای مثال، می‌توانند هزاران ساختار مولکولی یا پروفایل‌های بیان ژن را در چند دقیقه تولید کنند، کاری که روش‌های آزمایشگاهی ممکن است هفته‌ها یا ماه‌ها طول بکشد.
• اتوماسیون کامل فرآیند تحقیق: پلتفرم‌های گسترده هوش مصنوعی (مانند FutureHouse در MIT) در حال توسعه هستند تا کل جریان کاری تحقیق را از مرور ادبیات و جمع‌آوری داده‌ها تا طراحی و تحلیل آزمایش‌ها به‌صورت خودکار انجام دهند.

این پیشرفت‌ها به دانشمندان اجازه می‌دهد تا به جای پردازش‌های تکراری داده‌ها، بر درک و بینش تمرکز کنند و سرعت کشفیات را به‌طور چشمگیری افزایش دهند.

اتوماسیون مبتنی بر هوش مصنوعی در آزمایشگاه‌ها

پژوهشگران در حال ساخت آزمایشگاه‌های خودمختار هستند که با حداقل دخالت انسانی آزمایش‌ها را اجرا می‌کنند.
برای مثال، مرکز آزمایشگاهی لارنس برکلی (Lawrence Berkeley Lab) با ترکیب الگوریتم‌های هوش مصنوعی و بازوهای رباتیک، هوش مصنوعی مواد جدیدی را پیشنهاد می‌دهد و ربات‌ها آن‌ها را به سرعت مخلوط و آزمایش می‌کنند. این چرخه فشرده «دانشمندان رباتیک» باعث می‌شود ترکیبات امیدوارکننده بسیار سریع‌تر از روش‌های دستی تأیید شوند.

به همین ترتیب، پروژه FutureHouse در MIT در حال توسعه عوامل هوش مصنوعی برای انجام وظایفی مانند جستجوی ادبیات، برنامه‌ریزی آزمایش و تحلیل داده‌ها است تا دانشمندان بتوانند به جای کارهای روتین، به کشفیات بپردازند.

نمونه‌ای برجسته، میکروسکوپ خودران آزمایشگاه ملی آرگون است. در این سیستم، الگوریتم هوش مصنوعی با اسکن چند نقطه تصادفی روی نمونه شروع می‌کند و سپس پیش‌بینی می‌کند که ویژگی‌های جالب بعدی کجا ممکن است باشند.

با تمرکز فقط بر مناطق غنی از داده و صرف‌نظر از نواحی یکنواخت، میکروسکوپ تصاویر مفید را بسیار سریع‌تر از اسکن نقطه به نقطه سنتی جمع‌آوری می‌کند. همان‌طور که دانشمندان آرگون توضیح می‌دهند، کنترل هوش مصنوعی «در لحظه» «نیاز به دخالت انسانی را حذف کرده و آزمایش را به‌طور چشمگیری تسریع می‌کند».

در عمل، این به معنای استفاده بسیار بهینه‌تر از زمان روی ابزارهای پرتقاضا است: پژوهشگران می‌توانند چندین اسکن با وضوح بالا را در همان زمانی انجام دهند که روش‌های دستی برای یک اسکن صرف می‌کنند.

پردازش داده‌ها در زمان واقعی در مراکز تحقیقاتی

مراکز تحقیقاتی بزرگ از هوش مصنوعی برای تحلیل داده‌ها در همان لحظه تولید استفاده می‌کنند. در آزمایشگاه برکلی، داده‌های خام از میکروسکوپ‌ها و تلسکوپ‌ها مستقیماً به ابررایانه منتقل می‌شود.

جریان‌های کاری یادگیری ماشین این داده‌ها را در عرض چند دقیقه پردازش می‌کنند. برای مثال، پلتفرم جدیدی به نام Distiller تصاویر میکروسکوپ الکترونی را در حین تصویربرداری به ابررایانه NERSC ارسال می‌کند؛ نتایج بلافاصله بازمی‌گردند و به دانشمندان امکان می‌دهند آزمایش را در همان لحظه بهبود بخشند.

حتی ابزارهای پیچیده نیز بهره‌مند می‌شوند: در شتاب‌دهنده لیزری BELLA، مدل‌های یادگیری عمیق به‌طور مداوم پرتوهای لیزر و الکترون را برای پایداری بهینه تنظیم می‌کنند و زمان صرف شده برای کالیبراسیون دستی را به شدت کاهش می‌دهند.

سایر آزمایشگاه‌های ملی از هوش مصنوعی برای کنترل کیفیت زنده استفاده می‌کنند. سینکروترون NSLS-II در بروکهیون اکنون از عوامل هوش مصنوعی برای نظارت ۲۴ ساعته بر آزمایش‌های خط پرتو بهره می‌برد.

اگر نمونه‌ای جابه‌جا شود یا داده‌ها «نامنظم» به نظر برسند، سیستم فوراً هشدار می‌دهد. این نوع تشخیص ناهنجاری زمان زیادی را صرفه‌جویی می‌کند—دانشمندان می‌توانند مشکلات را در همان لحظه برطرف کنند به جای اینکه پس از ساعت‌ها از دست دادن زمان پرتو متوجه شوند.

به همین ترتیب، برخورددهنده بزرگ هادرون CERN از الگوریتم‌های «یادگیری ماشین سریع» تعبیه‌شده در سخت‌افزار محرک خود استفاده می‌کند: هوش مصنوعی سفارشی در FPGAها سیگنال‌های برخورد را به‌صورت آنی تحلیل می‌کند، انرژی ذرات را در زمان واقعی محاسبه می‌کند و از فیلترهای سیگنال قدیمی بهتر عمل می‌کند.

در تمام این نمونه‌ها، هوش مصنوعی جریان کاری را از «جمع‌آوری همه داده‌ها و سپس تحلیل بعدی» به «تحلیل در لحظه» تغییر داده است و پردازش داده‌ها را تقریباً فوری کرده است.

مدل‌های پیش‌بینی برای کسب بینش سریع

هوش مصنوعی تنها سرعت آزمایش‌های موجود را افزایش نمی‌دهد، بلکه کارهای آزمایشگاهی کند را با آزمایش‌های مجازی جایگزین می‌کند. به عنوان مثال، در ژنومیک، شیمیدانان MIT مدل مولد ChromoGen را توسعه داده‌اند که دستور زبان تا شدن DNA را می‌آموزد.

با داشتن یک توالی DNA، ChromoGen می‌تواند «به سرعت تحلیل کند» و هزاران ساختار سه‌بعدی کروماتین ممکن را در عرض چند دقیقه تولید کند. این سرعت بسیار بیشتر از روش‌های سنتی آزمایشگاهی است: در حالی که آزمایش Hi-C ممکن است روزها یا هفته‌ها طول بکشد تا ژنوم یک نوع سلول را نقشه‌برداری کند، ChromoGen تنها در ۲۰ دقیقه و با استفاده از یک GPU هزار ساختار پیش‌بینی شده تولید کرد.

مهم‌تر اینکه پیش‌بینی‌های هوش مصنوعی با داده‌های آزمایشی به‌طور نزدیکی مطابقت داشت و این رویکرد را تأیید کرد.

در زیست‌شناسی، تیم‌هایی در دانشگاه کلمبیا مدل «پایه» را با داده‌های بیش از یک میلیون سلول آموزش دادند تا فعالیت ژن‌ها را پیش‌بینی کنند.

هوش مصنوعی آن‌ها می‌تواند پیش‌بینی کند که کدام ژن‌ها در هر نوع سلول فعال هستند و اساساً شبیه‌سازی آزمایش گسترده بیان ژن را انجام می‌دهد. همان‌طور که پژوهشگران اشاره می‌کنند، این مدل‌های پیش‌بینی‌کننده امکان انجام آزمایش‌های محاسباتی سریع و دقیق در مقیاس بزرگ را فراهم می‌کنند که راهنمایی و مکمل کارهای آزمایشگاهی مرطوب هستند.

در آزمایش‌ها، پیش‌بینی‌های بیان ژن هوش مصنوعی برای انواع سلول‌های جدید با اندازه‌گیری‌های واقعی آزمایشی بسیار همخوانی داشت.

به طور خلاصه، یادگیری ماشین اکنون به دانشمندان اجازه می‌دهد تا آزمایش‌های مجازی را در مقیاس وسیع انجام دهند: هزاران سناریوی ژنومی یا مولکولی را در زمانی که انجام یک آزمایش در آزمایشگاه طول می‌کشد، بررسی کنند.

تأثیر و چشم‌انداز آینده

ادغام هوش مصنوعی در جریان کاری آزمایش‌ها در حال تحول علم است. با خودکارسازی تحلیل داده‌ها و حتی تصمیم‌گیری در طول آزمایش‌ها، هوش مصنوعی گلوگاه‌های پیشین را به فرایندی پرشتاب تبدیل کرده است.

پژوهشگران گزارش می‌دهند که با ابزارهای مبتنی بر هوش مصنوعی، می‌توانند «روی کشف تمرکز کنند در حالی که ماشین‌ها وظایف تکراری و تحلیل داده‌های عظیم در زمان واقعی را انجام می‌دهند».

به عبارت دیگر، دانشمندان می‌توانند آزمایش‌های بیشتری انجام دهند و سریع‌تر به نتایج برسند. همان‌طور که فیزیکدانان آرگون نتیجه می‌گیرند، توانایی «خودکارسازی آزمایش‌ها با هوش مصنوعی به طور قابل توجهی پیشرفت علمی را تسریع خواهد کرد».

در آینده، انتظار می‌رود نقش هوش مصنوعی گسترش یابد: آزمایشگاه‌های بیشتری از ابزارهای خودران استفاده خواهند کرد و حوزه‌های بیشتری به تحلیل و پیش‌بینی سریع هوش مصنوعی متکی خواهند شد.

این بدان معناست که چرخه فرضیه، آزمایش و نتیجه از سال‌ها به ماه‌ها یا حتی روزها کاهش خواهد یافت.

نتیجه، آغاز دوره‌ای جدید از علم مبتنی بر داده است که در آن پیشرفت‌ها در مواد، انرژی، سلامت و فراتر از آن با سرعتی بی‌سابقه و به کمک توانایی هوش مصنوعی در تفسیر سریع داده‌های آزمایشی شکل می‌گیرند.