هوش مصنوعی داده‌های آزمایشی را تحلیل می‌کند
در پژوهش‌های علمی، سرعت و دقت در تحلیل داده‌های آزمایشی اهمیت بالایی دارد. در گذشته، پردازش مجموعه داده‌ها ممکن بود روزها یا حتی هفته‌ها طول بکشد، اما هوش مصنوعی این روند را تغییر داده است. هوش مصنوعی می‌تواند حجم عظیمی از داده‌ها را در عرض چند دقیقه اسکن، پردازش و از آن‌ها بینش استخراج کند و به پژوهشگران کمک کند تا زمان صرفه‌جویی کنند، خطاها را کاهش دهند و کشفیات را تسریع بخشند.
آزمایشگاه‌های پژوهشی مدرن از هوش مصنوعی (AI) برای پردازش نتایج آزمایشی با سرعت بی‌سابقه استفاده می‌کنند. با ادغام هوش مصنوعی با ابزارهای خودکار و ابررایانه‌ها، دانشمندان می‌توانند مجموعه داده‌های عظیم را در زمان واقعی تحلیل کنند، الگوها را فوراً شناسایی کنند و حتی نتایج را بدون اجرای آزمایش‌های سنتی کند پیش‌بینی کنند. این قابلیت در حال حاضر در حوزه‌هایی از علوم مواد تا زیست‌شناسی تحول ایجاد کرده است.
در ادامه به بررسی راه‌های کلیدی که هوش مصنوعی تحلیل داده‌های آزمایشگاهی را بسیار سریع‌تر می‌کند می‌پردازیم:
چهار کاربرد انقلابی هوش مصنوعی در تحلیل آزمایشگاهی
آزمایشگاه‌های خودران خودکار
ربات‌های هدایت‌شده توسط هوش مصنوعی به طور مداوم آزمایش‌ها را اجرا می‌کنند و نمونه‌هایی که باید آزمایش شوند را انتخاب می‌کنند، که زمان بیکاری و اندازه‌گیری‌های تکراری را کاهش می‌دهد.
پردازش داده در زمان واقعی
داده‌های جریان یافته از ابزارها به سیستم‌های محاسباتی مبتنی بر هوش مصنوعی برای تحلیل فوری ارسال می‌شود. پژوهشگران می‌توانند آزمایش‌ها را در لحظه تنظیم کنند زیرا نتایج در عرض چند دقیقه به جای روزها بازمی‌گردد.
مدل‌های یادگیری ماشینی پیش‌بینی‌کننده
پس از آموزش، مدل‌های هوش مصنوعی می‌توانند آزمایش‌ها را به صورت محاسباتی شبیه‌سازی کنند. برای مثال، آن‌ها می‌توانند هزاران ساختار مولکولی یا پروفایل‌های بیان ژن را در چند دقیقه تولید کنند، که تکنیک‌های آزمایشگاهی ممکن است هفته‌ها یا ماه‌ها طول بکشد.
اتوماسیون پژوهشی انتها به انتها
پلتفرم‌های گسترده هوش مصنوعی (مانند FutureHouse از MIT) در حال ساخت هستند تا کل روند کاری را از مرور ادبیات و جمع‌آوری داده‌ها تا طراحی و تحلیل آزمایش‌ها مدیریت کنند و بسیاری از مراحل حیاتی پژوهش را خودکار کنند.
اتوماسیون مبتنی بر هوش مصنوعی در آزمایشگاه‌ها
پژوهشگران در حال ساخت آزمایشگاه‌های خودمختار هستند که آزمایش‌ها را با حداقل دخالت انسانی اجرا می‌کنند. برای مثال، مرکز آزمایشگاه لارنس برکلی با ترکیب الگوریتم‌های هوش مصنوعی و بازوهای رباتیک، مواد جدید را پیشنهاد می‌دهد و ربات‌ها آن‌ها را به سرعت مخلوط و آزمایش می‌کنند. این چرخه فشرده «دانشمندان ربات» باعث می‌شود ترکیبات امیدوارکننده بسیار سریع‌تر از مطالعات دستی تأیید شوند.
به طور مشابه، پروژه FutureHouse از MIT در حال توسعه عوامل هوش مصنوعی برای انجام وظایفی مانند جستجوی ادبیات، برنامه‌ریزی آزمایش و تحلیل داده است تا دانشمندان بتوانند به جای کارهای روتین، به کشفیات بپردازند.
میکروسکوپ خودران
اسکن هوشمند
یک مثال بسیار 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 خواهند بود.
کنترل هوش مصنوعی در لحظه نیاز به دخالت انسانی را حذف کرده و آزمایش را به طور چشمگیری تسریع می‌کند.
— دانشمندان آزمایشگاه ملی آرگون
با تمرکز فقط بر مناطق داده‌دار و رد مناطق یکنواخت، میکروسکوپ تصاویر مفید را بسیار سریع‌تر از اسکن نقطه به نقطه سنتی جمع‌آوری می‌کند. در عمل، این به معنای استفاده بسیار مؤثرتر از زمان روی ابزارهای پرتقاضا است: پژوهشگران می‌توانند چندین اسکن با وضوح بالا را در همان زمانی که روش‌های دستی برای یک اسکن طول می‌کشد، اجرا کنند.
پردازش داده در زمان واقعی در مراکز پژوهشی
مراکز پژوهشی بزرگ از هوش مصنوعی برای تحلیل داده‌ها همزمان با تولید آن‌ها استفاده می‌کنند. در آزمایشگاه برکلی، داده‌های خام از میکروسکوپ‌ها و تلسکوپ‌ها مستقیماً به ابررایانه ارسال می‌شود.
پلتفرم Distiller
روندهای یادگیری ماشینی داده‌ها را در عرض چند دقیقه پردازش می‌کنند. پلتفرم جدیدی به نام Distiller تصاویر میکروسکوپ الکترونی را در حین تصویربرداری به ابررایانه NERSC ارسال می‌کند؛ نتایج فوراً بازمی‌گردند و به دانشمندان اجازه می‌دهند آزمایش را در همان لحظه اصلاح کنند.
حتی ابزارهای پیچیده نیز بهره‌مند می‌شوند: در شتاب‌دهنده لیزری BELLA، مدل‌های یادگیری عمیق به طور مداوم پرتوهای لیزر و الکترون را برای پایداری بهینه تنظیم می‌کنند و زمان صرف شده برای کالیبراسیون دستی را به شدت کاهش می‌دهند.
نظارت ۲۴/۷
آزمایشگاه‌های ملی دیگر از هوش مصنوعی برای کنترل کیفیت زنده استفاده می‌کنند. سینکروترون NSLS-II در بروکهیون اکنون از عوامل هوش مصنوعی برای نظارت بر آزمایش‌های خط پرتو به صورت ۲۴ ساعته و ۷ روز هفته بهره می‌برد.
اگر نمونه‌ای جابه‌جا شود یا داده‌ها «غیرعادی» به نظر برسند، سیستم فوراً آن را علامت‌گذاری می‌کند. این نوع تشخیص ناهنجاری زمان زیادی را صرفه‌جویی می‌کند—دانشمندان می‌توانند مشکلات را در زمان واقعی رفع کنند به جای اینکه پس از ساعت‌ها از دست دادن زمان پرتو متوجه شوند.
فیزیک ذرات
شتاب‌دهنده بزرگ هادرون CERN از الگوریتم‌های «یادگیری ماشینی سریع» تعبیه شده در سخت‌افزار محرک خود استفاده می‌کند: هوش مصنوعی سفارشی در FPGAها سیگنال‌های برخورد را به صورت آنی تحلیل می‌کند، انرژی ذرات را در زمان واقعی محاسبه می‌کند و از فیلترهای سیگنال قدیمی بهتر عمل می‌کند.
ابتدا همه داده‌ها جمع‌آوری شود سپس تحلیل انجام شود
- ساعات یا روزها جمع‌آوری داده
- تحلیل دستی پس از آزمایش‌ها
- کشف مشکلات خیلی دیر
- تنظیمات محدود در زمان واقعی
تحلیل در لحظه
- پردازش فوری داده‌ها
- اصلاح آزمایش در زمان واقعی
- کشف فوری مشکلات
- بهینه‌سازی مداوم
مدل‌های پیش‌بینی برای بینش سریع
هوش مصنوعی فقط سرعت آزمایش‌های موجود را افزایش نمی‌دهد – بلکه کار آزمایش‌های کند آزمایشگاهی 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.
هوش مصنوعی ChromoGen
پیش‌بینی بیان ژن
با داشتن توالی DNA، ChromoGen می‌تواند به سرعت تحلیل کند و هزاران ساختار سه‌بعدی کروماتین ممکن را در چند دقیقه تولید کند. این بسیار سریع‌تر از روش‌های آزمایشگاهی سنتی 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 با یک GPU هزار ساختار پیش‌بینی شده تولید کرد.
در زیست‌شناسی، تیم‌هایی در دانشگاه کلمبیا مدل پایه‌ای را روی داده‌های بیش از یک میلیون سلول آموزش دادند تا فعالیت ژن را پیش‌بینی کنند. هوش مصنوعی آن‌ها می‌تواند پیش‌بینی کند کدام ژن‌ها در هر نوع سلول فعال هستند، که اساساً شبیه‌سازی آزمایش گسترده بیان ژن است. همانطور که پژوهشگران اشاره می‌کنند، این مدل‌های پیش‌بینی‌کننده آزمایش‌های محاسباتی سریع و دقیقی را ممکن می‌سازند که راهنمایی و مکمل کار آزمایشگاهی مرطوب هستند.
در آزمایش‌ها، پیش‌بینی‌های بیان ژن هوش مصنوعی برای انواع سلول جدید با اندازه‌گیری‌های واقعی آزمایشی بسیار نزدیک بود.
تأثیر و چشم‌انداز آینده
ادغام هوش مصنوعی در روند آزمایشی در حال تحول علم است. با خودکارسازی تحلیل داده‌ها و حتی تصمیم‌گیری در طول آزمایش‌ها، هوش مصنوعی گلوگاه‌های قبلی را به فرایندی پرشتاب تبدیل می‌کند.
تمرکز بر کشف در حالی که ماشین‌ها وظایف تکراری و تحلیل داده‌های عظیم در زمان واقعی را انجام می‌دهند.
— دانشمندان پژوهشی
به عبارت دیگر، دانشمندان می‌توانند آزمایش‌های بیشتری انجام دهند و سریع‌تر نتیجه‌گیری کنند.
خودکارسازی آزمایش‌ها با هوش مصنوعی پیشرفت علمی را به طور قابل توجهی تسریع خواهد کرد.
— فیزیکدانان آزمایشگاه ملی آرگون
وضعیت کنونی
ابزارهای مبتنی بر هوش مصنوعی در آزمایشگاه‌های منتخب
آینده نزدیک
ابزارهای خودران بیشتر
دوران بلندمدت
پذیرش گسترده تحلیل هوش مصنوعی
با نگاه به آینده، انتظار می‌رود نقش هوش مصنوعی رشد کند: 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.
