Makmal penyelidikan moden menggunakan kecerdasan buatan (AI) untuk memproses keputusan eksperimen dengan kelajuan yang belum pernah berlaku sebelum ini. Dengan menggabungkan AI dengan instrumen automatik dan superkomputer, saintis dapat menganalisis set data yang besar secara masa nyata, mengenal pasti corak dengan segera, dan bahkan meramalkan hasil tanpa perlu menjalankan eksperimen tradisional yang perlahan. Keupayaan ini sudah merevolusikan bidang daripada sains bahan kepada biologi.

Di bawah ini kami terangkan cara utama AI mempercepatkan analisis data makmal:

• Makmal “pandai kendiri” automatik: Robot berpandukan AI menjalankan eksperimen secara berterusan dan memilih sampel yang akan diuji, mengurangkan masa tidak aktif dan pengukuran berulang.
• Pemprosesan data masa nyata: Data yang dialirkan dari instrumen dimasukkan ke dalam sistem pengkomputeran berpandukan AI untuk analisis segera. Penyelidik boleh melaraskan eksperimen secara langsung kerana keputusan diperoleh dalam beberapa minit, bukan hari.
• Model pembelajaran mesin ramalan: Setelah dilatih, model AI boleh mensimulasikan eksperimen secara komputasi. Contohnya, mereka boleh menghasilkan ribuan struktur molekul atau profil ekspresi gen dalam beberapa minit, yang mana teknik makmal tradisional memerlukan minggu atau bulan.
• Automasi penyelidikan menyeluruh: Platform AI yang luas (seperti FutureHouse MIT) sedang dibangunkan untuk mengendalikan keseluruhan aliran kerja—dari kajian literatur dan pengumpulan data hingga reka bentuk dan analisis eksperimen—mengautomasikan banyak langkah penting penyelidikan.

Kemajuan ini membolehkan saintis memberi tumpuan kepada penemuan dan bukan hanya pengiraan data rutin, sekali gus mempercepatkan kadar penemuan secara dramatik.

Automasi Berpandukan AI dalam Makmal

Penyelidik sedang membina makmal autonomi yang menjalankan eksperimen dengan campur tangan manusia yang minimum.
Contohnya, kemudahan A-Lab di Lawrence Berkeley Lab menggabungkan algoritma AI dengan lengan robotik: AI mencadangkan bahan baru untuk dicuba, dan robot mencampur serta mengujinya dengan pantas secara berturutan. Gelung rapat “saintis robot” ini bermakna sebatian yang menjanjikan dapat disahkan jauh lebih cepat berbanding kajian manual.

Begitu juga, projek FutureHouse MIT sedang membangunkan ejen AI untuk mengendalikan tugasan seperti pencarian literatur, perancangan eksperimen, dan analisis data, supaya saintis dapat menumpukan pada penemuan dan bukan tugas rutin.

Contoh yang sangat menarik ialah mikroskop pandai kendiri di Argonne National Laboratory. Dalam sistem ini, algoritma AI bermula dengan mengimbas beberapa titik rawak pada sampel, kemudian meramalkan di mana ciri menarik seterusnya mungkin berada.

Dengan menumpukan hanya pada kawasan yang kaya data dan melangkau kawasan seragam, mikroskop mengumpul imej berguna jauh lebih pantas berbanding imbasan titik demi titik tradisional. Seperti yang dijelaskan oleh saintis Argonne, kawalan AI secara “langsung” “menghapuskan keperluan campur tangan manusia dan mempercepatkan eksperimen secara dramatik”.

Dalam praktiknya, ini bermakna penggunaan masa yang jauh lebih cekap pada instrumen yang sangat diperlukan: penyelidik boleh menjalankan beberapa imbasan beresolusi tinggi dalam masa yang sama yang diperlukan oleh kaedah manual untuk satu imbasan sahaja.

Pemprosesan Data Masa Nyata di Kemudahan Penyelidikan

Kemudahan penyelidikan besar menggunakan AI untuk menganalisis data semasa ia dihasilkan. Di Berkeley Lab, data mentah dari mikroskop dan teleskop dialirkan terus ke superkomputer.

Aliran kerja pembelajaran mesin kemudian memproses data ini dalam beberapa minit. Contohnya, platform baru bernama Distiller menghantar imej mikroskop elektron ke superkomputer NERSC semasa pengimejan; keputusan diperoleh serta-merta, membolehkan saintis memperbaiki eksperimen di tempat.

Malahan instrumen yang kompleks turut mendapat manfaat: di pemecut laser BELLA, model pembelajaran mendalam sentiasa melaras pancaran laser dan elektron untuk kestabilan optimum, mengurangkan masa yang saintis habiskan untuk kalibrasi manual.

Makmal nasional lain menggunakan AI untuk kawalan kualiti secara langsung. Sinkrotron NSLS-II di Brookhaven kini menggunakan ejen AI untuk memantau eksperimen sepanjang masa.

Jika sampel bergeser atau data kelihatan “tidak normal,” sistem akan memberi amaran segera. Pengesanan anomali seperti ini menjimatkan masa yang sangat banyak—saintis boleh membaiki masalah secara masa nyata dan tidak perlu menunggu selepas berjam-jam kehilangan masa pancaran.

Begitu juga, Large Hadron Collider CERN menggunakan algoritma “ML pantas” yang terbina dalam perkakasan pencetusnya: AI khusus dalam FPGA menganalisis isyarat perlanggaran dengan serta-merta, mengira tenaga zarah secara masa nyata dan mengatasi penapis isyarat lama.

Dalam semua contoh ini, AI mengubah aliran kerja daripada “kumpul semua data kemudian analisis kemudian” kepada “analisis secara langsung,” menjadikan pemprosesan data hampir serta-merta.

Model Ramalan untuk Penemuan Pantas

AI bukan sahaja mempercepatkan eksperimen sedia ada – ia juga menggantikan kerja makmal yang perlahan dengan eksperimen maya. Dalam genomik, contohnya, ahli kimia MIT telah membangunkan ChromoGen, AI generatif yang mempelajari tatabahasa lipatan DNA.

Diberi urutan DNA, ChromoGen boleh “menganalisis dengan cepat” urutan tersebut dan menghasilkan ribuan struktur kromatin 3D yang mungkin dalam beberapa minit. Ini jauh lebih pantas daripada kaedah makmal tradisional: sementara eksperimen Hi-C mungkin mengambil masa berhari-hari atau minggu untuk memetakan genom bagi satu jenis sel, ChromoGen menghasilkan 1,000 struktur ramalan dalam hanya 20 minit menggunakan satu GPU.

Yang penting, ramalan AI ini sangat hampir dengan data eksperimen, mengesahkan pendekatan tersebut.

Dalam biologi, pasukan di Universiti Columbia melatih sebuah “model asas” menggunakan data dari lebih sejuta sel untuk meramalkan aktiviti gen.

AI mereka boleh meramalkan gen mana yang diaktifkan dalam mana-mana jenis sel, secara asasnya mensimulasikan apa yang akan ditunjukkan oleh eksperimen ekspresi gen yang besar. Seperti yang dinyatakan oleh penyelidik, model ramalan ini membolehkan eksperimen komputasi berskala besar yang “cepat dan tepat” yang membimbing dan melengkapkan kerja makmal basah.

Dalam ujian, ramalan ekspresi gen AI untuk jenis sel baru sangat hampir dengan pengukuran eksperimen sebenar.

Ringkasnya, pembelajaran mesin kini membolehkan saintis menjalankan ujian maya secara besar-besaran: memeriksa ribuan senario genomik atau molekul dalam masa yang diperlukan untuk satu ujian makmal sahaja.

Impak dan Pandangan Masa Depan

Integrasi AI ke dalam aliran kerja eksperimen sedang mengubah sains. Dengan mengautomasikan analisis data dan bahkan membuat keputusan semasa eksperimen, AI mengubah halangan menjadi proses yang dipercepatkan.

Penyelidik melaporkan bahawa dengan alat berpandukan AI, mereka boleh “menumpukan pada penemuan sementara mesin mengendalikan tugas berulang dan analisis data besar secara masa nyata”.

Dengan kata lain, saintis boleh menjalankan lebih banyak eksperimen dan membuat kesimpulan lebih pantas daripada sebelum ini. Seperti yang disimpulkan oleh ahli fizik Argonne, keupayaan untuk “mengautomasikan eksperimen dengan AI akan mempercepatkan kemajuan saintifik secara signifikan”.

Melangkah ke hadapan, kita boleh menjangkakan peranan AI akan berkembang: lebih banyak makmal akan menggunakan instrumen pandai kendiri, dan lebih banyak bidang akan bergantung pada analisis dan ramalan AI yang pantas.

Ini bermakna kitaran hipotesis, eksperimen, dan keputusan akan menjadi lebih singkat—daripada bertahun-tahun kepada bulan atau bahkan hari.

Hasilnya ialah era baru sains berasaskan data, di mana penemuan dalam bahan, tenaga, kesihatan dan lain-lain boleh muncul dengan kadar yang belum pernah berlaku sebelum ini, didorong oleh keupayaan AI untuk mentafsir data eksperimen dengan pantas.