Bagaimana AI memprediksi hasil eksperimen untuk membantu mempercepat waktu penelitian, mengurangi biaya, dan meningkatkan efisiensi? Mari kita pelajari lebih lanjut bersama INVIAI dalam artikel ini!

Bagaimana AI merencanakan dan menganalisis eksperimen

Kecerdasan buatan (AI) mengubah cara ilmuwan merencanakan dan menafsirkan eksperimen. Dengan mempelajari pola dari sejumlah besar data – mulai dari makalah penelitian hingga hasil simulasi – model AI dapat meramalkan kemungkinan hasil eksperimen baru.

Misalnya, model bahasa besar (LLM) yang dilatih pada literatur ilmiah telah terbukti dapat “mengambil pola” yang memungkinkan mereka meramalkan hasil ilmiah dengan akurasi luar biasa.

Dalam sebuah studi terbaru, alat AI berhasil memprediksi hasil eksperimen neurosains yang diusulkan jauh lebih sering dibandingkan para ahli manusia. Prediksi berbasis AI ini menjanjikan pengurangan trial-and-error, sehingga menghemat waktu dan sumber daya di laboratorium.

Para peneliti sudah menggunakan AI sebagai “co-pilot” dalam ilmu pengetahuan. Dalam sebuah hasil penting, AI “co-scientist” yang dibangun menggunakan LLM Google Research menemukan kembali mekanisme biologis kompleks pada bakteri: hipotesis teratasnya tepat sesuai dengan proses transfer gen yang telah dikonfirmasi secara eksperimental. Dengan kata lain, AI secara mandiri mengajukan jawaban yang benar untuk pertanyaan yang memakan waktu bertahun-tahun bagi ilmuwan manusia untuk memecahkannya.

Para penulis menyimpulkan bahwa AI semacam ini dapat berperan “tidak hanya sebagai alat tetapi juga sebagai mesin kreatif yang mempercepat penemuan”.

Demikian pula, tim yang dipimpin UCL menunjukkan bahwa LLM generik (dan model khusus “BrainGPT”) dapat memprediksi hasil studi neurosains dengan akurasi jauh lebih tinggi dibandingkan para ahli neurosains manusia. LLM tersebut rata-rata mencapai tingkat keberhasilan 81% dalam memilih hasil yang benar dari publikasi, sementara para ahli hanya mencapai 63–66%. Ini menunjukkan AI dapat mengenali pola literatur dan membuat prediksi ke depan yang melampaui sekadar pencarian fakta.

Aplikasi AI di Berbagai Bidang Ilmiah

Biologi

AI membuat kemajuan di banyak bidang. Dalam biologi, sebuah model dasar baru dilatih menggunakan data dari lebih dari satu juta sel dan mempelajari “tatabahasa” ekspresi gen. Model ini dapat memprediksi gen mana yang akan aktif di setiap jenis sel manusia, dan prediksinya sangat sesuai dengan pengukuran laboratorium.

Dalam sebuah demo, AI berhasil memprediksi bagaimana mutasi leukemia yang diwariskan mengganggu jaringan regulasi sel – prediksi yang kemudian dikonfirmasi melalui eksperimen.

Kimia

Dalam kimia, para peneliti di MIT mengembangkan model bernama FlowER yang memprediksi hasil reaksi kimia secara lebih realistis dengan menerapkan batasan fisik (seperti konservasi massa dan elektron). AI yang sadar batasan ini secara signifikan meningkatkan akurasi dan keandalan dalam memprediksi produk reaksi.

Platform AI seperti IBM RXN for Chemistry juga menggunakan pembelajaran mendalam untuk memetakan “bahasa kimia” dan memprediksi hasil reaksi, membantu ahli kimia mengeksplorasi reaksi baru jauh lebih cepat dibandingkan metode trial-and-error.

Ilmu Material

Dalam ilmu material, model dasar AI yang sedang berkembang (seperti MatterGen/MatterSim dari Microsoft) dilatih menggunakan data tentang atom dan molekul sehingga dapat memprediksi bagaimana material baru akan berperilaku sebelum eksperimen dijalankan.

AI dalam Fisika dan Simulasi Lanjutan 

Sebuah model AI yang diinformasikan oleh fisika berhasil meramalkan hasil eksperimen fusi. Misalnya, ilmuwan di Lawrence Livermore National Lab menggunakan kerangka kerja berbasis AI untuk memprediksi keberhasilan tembakan fusi beberapa hari sebelumnya. Model mereka, yang dilatih dengan ribuan simulasi dan eksperimen sebelumnya, memprediksi peluang lebih dari 70% untuk mencapai ignition (keuntungan energi bersih) sebelum eksperimen dilakukan.

Setelah tembakan dilakukan, hasil neutron aktual berada dalam rentang prediksi AI, menunjukkan bahwa AI dapat memberikan perkiraan probabilistik yang andal untuk eksperimen fisika yang kompleks.

Pendekatan ini – menggabungkan AI dengan simulasi fisika – tidak hanya menghasilkan prediksi yang tepat tetapi juga mengukur ketidakpastian, membantu peneliti menilai risiko eksperimen. Demikian pula, dalam penelitian gelombang gravitasi, AI bahkan merancang konfigurasi interferometer baru (seperti penambahan rongga optik skala kilometer) untuk meningkatkan sensitivitas detektor – penemuan yang terlewatkan oleh insinyur manusia.

Otomasi Laboratorium Berbasis AI

Otomasi laboratorium adalah area lain di mana prediksi AI membawa perubahan besar. Para ilmuwan membayangkan “pabrik penemuan” yang sepenuhnya otomatis di mana robot menjalankan eksperimen dan AI menganalisis hasilnya. Peneliti dari UNC-Chapel Hill menjelaskan bagaimana robot bergerak dapat melakukan eksperimen kimia secara terus-menerus tanpa lelah, menjalankan protokol yang sangat presisi jauh lebih konsisten dibandingkan manusia.

Robot-robot ini menghasilkan dataset besar yang dapat langsung dipindai AI untuk menemukan pola dan anomali.

Dalam visi ini, siklus desain-buat-uji-analisis klasik menjadi jauh lebih cepat dan adaptif: model AI dapat menyarankan eksperimen berikutnya, mengoptimalkan kondisi secara real time, dan bahkan merencanakan seluruh kampanye eksperimen. Misalnya, tim UNC mencatat bahwa AI dapat mengidentifikasi senyawa atau material baru yang menjanjikan untuk diuji, secara efektif menunjukkan arah penelitian selanjutnya bagi para ilmuwan.

Dengan mengotomasi tugas rutin, para peneliti dapat fokus pada pertanyaan yang lebih kompleks, sementara AI menyoroti eksperimen yang paling informatif.

Manfaat AI untuk Penelitian Ilmiah

Prediksi berbasis AI membawa manfaat besar bagi ilmu pengetahuan. AI dapat mempercepat penemuan dengan mempersempit pilihan eksperimen, mengurangi biaya dengan menghilangkan percobaan yang sia-sia, dan menemukan pola halus yang mungkin terlewat oleh manusia. Alat seperti AlphaFold2 dari DeepMind telah merevolusi biologi dengan memprediksi struktur protein: AlphaFold2 secara akurat memodelkan struktur 3D hampir semua sekitar 200 juta protein yang dikenal dalam ilmu pengetahuan.

Ini berarti para eksperimentalis menghabiskan jauh lebih sedikit waktu untuk studi X-ray atau cryo-EM yang melelahkan dan dapat fokus pada protein baru.

Demikian pula, model ESMBind dari Brookhaven Lab memprediksi bagaimana protein tanaman mengikat ion logam (seperti seng atau besi) dan mengungguli metode lain dalam mengidentifikasi situs pengikatan logam. Ini mempercepat penelitian tanaman bioenergi dengan menentukan gen mana yang harus dipelajari untuk penyerapan nutrisi.

Dalam semua kasus, AI berfungsi sebagai alat penyaringan yang kuat: menyaring ruang pencarian eksperimen yang luas menjadi kumpulan hasil atau kandidat dengan probabilitas tinggi.

Tantangan dan Keterbatasan AI

Namun, kemajuan ini juga menimbulkan pertanyaan baru. Fakta bahwa AI dapat memprediksi banyak hasil dengan sangat baik menunjukkan temuan ilmiah sering mengikuti pola yang sudah dikenal. Seperti yang dicatat oleh peneliti UCL, “banyak ilmu pengetahuan sebenarnya tidak benar-benar baru, tetapi sesuai dengan pola yang sudah ada” dalam literatur.

Ini berarti AI unggul dalam penemuan rutin atau bertahap tetapi mungkin kesulitan dengan fenomena yang benar-benar belum pernah terjadi sebelumnya.

Para ahli memperingatkan bahwa kreativitas dan pemikiran kritis manusia tetap sangat penting: rekomendasi AI perlu divalidasi secara eksperimental dengan cermat. Ada juga tantangan bias data (AI hanya tahu apa yang sudah dilihatnya) dan kepercayaan berlebihan (model bisa salah jika digunakan di luar batas pelatihannya). Namun, manfaatnya tampaknya lebih besar daripada risikonya: prediksi AI sudah mendorong terobosan yang dipublikasikan dalam biologi, kimia, dan fisika.

Masa Depan AI dalam Desain Eksperimen

Ke depan, AI dan eksperimen akan semakin terintegrasi. Para ilmuwan sedang mengembangkan “model dasar” yang disesuaikan dengan domain ilmu pengetahuan (menggunakan data fisika, kimia, atau genomik) sehingga mereka dapat lebih baik meramalkan hasil dan bahkan menyarankan desain eksperimen yang inovatif.

Dalam waktu dekat, para peneliti membayangkan memasukkan eksperimen yang diusulkan ke dalam alat AI dan mendapatkan distribusi probabilitas dari kemungkinan hasil.

Dengan iterasi secara in silico, tim dapat mengoptimalkan eksperimen sebelum menyentuh pipet atau laser. Tujuannya adalah alur kerja penelitian hibrida: AI dengan cepat mempersempit hipotesis dan jalur yang menjanjikan, sementara ilmuwan manusia membawa intuisi dan wawasan untuk menjelajahi hal yang belum diketahui.

>>> Jelajahi lebih lanjut: AI menganalisis data eksperimen

Jika dilakukan dengan baik, kemitraan ini dapat melipatgandakan kecepatan penemuan, menangani tantangan besar mulai dari material energi terbarukan hingga pengobatan yang dipersonalisasi.

Seperti yang dikatakan seorang peneliti, AI akan menjadi “alat yang kuat dalam persenjataan Anda” yang membantu ilmuwan merancang eksperimen paling efektif dan membuka batas baru.