Bagaimana AI meramalkan keputusan eksperimen untuk membantu memendekkan masa penyelidikan, mengurangkan kos dan meningkatkan kecekapan? Mari ketahui lebih lanjut dengan INVIAI dalam artikel ini!

Bagaimana AI merancang dan menganalisis eksperimen

Kecerdasan buatan (AI) sedang mengubah cara saintis merancang dan mentafsir eksperimen. Dengan mempelajari corak daripada sejumlah besar data – daripada kertas penyelidikan hingga hasil simulasi – model AI dapat meramalkan kemungkinan hasil eksperimen baru.

Sebagai contoh, model bahasa besar (LLM) yang dilatih berdasarkan literatur saintifik telah terbukti dapat “mendistilasi corak” yang membolehkan mereka meramalkan hasil saintifik dengan ketepatan melebihi manusia.

Dalam satu kajian terkini, alat AI meramalkan keputusan eksperimen neurosains yang dicadangkan dengan tepat jauh lebih kerap berbanding pakar manusia. Ramalan berasaskan AI ini menjanjikan pengurangan percubaan dan kesilapan, menjimatkan masa dan sumber di makmal.

Penyelidik sudah menggunakan AI sebagai “penolong” dalam sains. Dalam satu pencapaian penting, AI “penolong saintis” yang dibina berdasarkan LLM Google Research menemui semula mekanisme biologi kompleks dalam bakteria: hipotesis teratasnya sepadan tepat dengan proses pemindahan gen yang disahkan secara eksperimen. Dengan kata lain, AI secara bebas mencadangkan jawapan yang betul kepada soalan yang mengambil masa bertahun-tahun untuk diselesaikan oleh saintis manusia.

Penulis menyimpulkan bahawa AI sebegini boleh berfungsi “bukan sahaja sebagai alat tetapi sebagai enjin kreatif, mempercepatkan penemuan”.

Begitu juga, satu pasukan yang diketuai UCL menunjukkan bahawa LLM generik (dan model khusus “BrainGPT”) boleh meramalkan hasil kajian neurosains dengan ketepatan jauh lebih tinggi berbanding ahli neurosains manusia. LLM mencatat kadar kejayaan purata 81% dalam memilih keputusan yang diterbitkan dengan betul, manakala pakar hanya mencapai 63–66%. Ini menunjukkan AI boleh mengenal pasti corak literatur dan membuat ramalan berwawasan melebihi sekadar pencarian fakta.

Aplikasi AI Dalam Pelbagai Bidang Saintifik

Biologi

AI membuat kemajuan dalam banyak bidang. Dalam biologi, model asas baru dilatih menggunakan data daripada lebih sejuta sel dan mempelajari “tatabahasa” ekspresi gen. Ia boleh meramalkan gen mana yang akan aktif dalam mana-mana jenis sel manusia, dan ramalannya hampir sama dengan ukuran makmal.

Dalam satu demonstrasi, AI meramalkan dengan tepat bagaimana mutasi leukemia yang diwarisi mengganggu rangkaian pengawalan sel – ramalan yang kemudian disahkan melalui eksperimen.

Kimia

Dalam kimia, penyelidik di MIT membangunkan model bernama FlowER yang meramalkan hasil tindak balas kimia dengan lebih realistik melalui penguatkuasaan kekangan fizikal (seperti pemeliharaan jisim dan elektron). AI yang peka kepada kekangan ini meningkatkan ketepatan dan kebolehpercayaan dalam meramalkan produk tindak balas.

Platform AI seperti RXN for Chemistry oleh IBM juga menggunakan pembelajaran mendalam untuk memetakan “bahasa kimia” dan meramalkan hasil tindak balas, membantu ahli kimia meneroka tindak balas baru dengan lebih pantas berbanding kaedah percubaan dan kesilapan.

Sains Bahan

Dalam sains bahan, model asas AI yang sedang muncul (seperti MatterGen/MatterSim oleh Microsoft) dilatih menggunakan data tentang atom dan molekul supaya mereka boleh meramalkan bagaimana bahan baru akan berkelakuan sebelum sebarang eksperimen dijalankan.

AI Dalam Fizik dan Simulasi Lanjutan 

Model AI berinformasi fizik berjaya meramalkan hasil eksperimen fusi. Contohnya, saintis di Lawrence Livermore National Lab menggunakan rangka kerja berasaskan AI untuk meramalkan kejayaan tembakan penyalaan fusi beberapa hari lebih awal. Model mereka, yang dilatih menggunakan ribuan simulasi dan eksperimen lalu, meramalkan peluang lebih 70% untuk mencapai penyalaan (keuntungan tenaga bersih) sebelum eksperimen dijalankan.

Selepas tembakan, hasil neutron sebenar berada dalam julat ramalan AI, membuktikan AI boleh memberikan ramalan probabilistik yang boleh dipercayai bagi eksperimen fizik yang kompleks.

Pendekatan ini – menggabungkan AI dengan simulasi fizik – bukan sahaja menghasilkan ramalan yang tepat tetapi juga mengukur ketidaktentuan, membimbing penyelidik dalam menilai risiko eksperimen. Begitu juga, dalam penyelidikan gelombang graviti, AI malah mereka bentuk konfigurasi interferometer baru (seperti menambah rongga optik berskala kilometer) untuk meningkatkan kepekaan pengesan – penemuan yang terlepas pandang oleh jurutera manusia.

Automasi Makmal Berpandukan AI

Automasi makmal adalah satu lagi bidang di mana ramalan AI mengubah permainan. Saintis membayangkan “kilang penemuan” yang sepenuhnya automatik di mana robot menjalankan eksperimen dan AI menganalisis keputusan. Penyelidik UNC-Chapel Hill menerangkan bagaimana robot mudah alih boleh menjalankan eksperimen kimia secara berterusan tanpa keletihan, melaksanakan protokol tepat dengan konsistensi jauh lebih tinggi berbanding manusia.

Robot ini menghasilkan set data besar yang boleh segera diimbas oleh AI untuk corak dan anomali.

Dalam visi ini, kitaran reka-buat-uji-analisis klasik menjadi jauh lebih pantas dan adaptif: model AI boleh mencadangkan eksperimen seterusnya, mengoptimumkan keadaan secara masa nyata, dan merancang keseluruhan kempen eksperimen. Contohnya, pasukan UNC menyatakan AI boleh mengenal pasti sebatian atau bahan baru yang menjanjikan untuk diuji, secara efektif menunjukkan arah tumpuan penyelidik seterusnya.

Dengan mengautomasikan tugas rutin, penyelidik bebas untuk mengajukan soalan yang lebih tinggi tahap, sementara AI menumpukan perhatian pada eksperimen paling bermaklumat.

Manfaat AI untuk Penyelidikan Saintifik

Ramalan berasaskan AI membawa manfaat besar kepada sains. Ia boleh mempercepat penemuan dengan mengecilkan pilihan eksperimen, mengurangkan kos dengan menghapuskan percubaan yang sia-sia, dan mendedahkan corak halus yang mungkin terlepas pandang oleh manusia. Alat seperti AlphaFold2 oleh DeepMind telah merevolusikan biologi dengan meramalkan struktur protein: AlphaFold2 memodelkan dengan tepat struktur 3D hampir semua kira-kira 200 juta protein yang diketahui oleh sains.

Ini bermakna ahli eksperimen menghabiskan jauh kurang masa pada kajian sinar-X atau cryo-EM yang memenatkan dan boleh menumpukan perhatian pada protein baru.

Begitu juga, model ESMBind oleh Brookhaven Lab meramalkan bagaimana protein tumbuhan mengikat ion logam (seperti zink atau besi) dan mengatasi kaedah lain dalam mengenal pasti tapak pengikatan logam. Ini mempercepatkan penyelidikan dalam tanaman bioenergi dengan menunjukkan gen mana yang perlu dikaji untuk pengambilan nutrien.

Dalam semua kes, AI berfungsi sebagai alat saringan yang berkuasa: ia menapis ruang carian eksperimen yang luas menjadi set kecil hasil atau calon yang berkemungkinan tinggi.

Cabaran dan Had AI

Namun, kemajuan ini juga menimbulkan persoalan baru. Hakikat bahawa AI boleh meramalkan banyak keputusan dengan begitu baik menunjukkan penemuan saintifik sering mengikuti corak yang biasa. Seperti yang dinyatakan oleh penyelidik UCL, “banyak sains bukan benar-benar baru, tetapi mematuhi corak sedia ada” dalam literatur.

Ini bermakna AI cemerlang dalam penemuan rutin atau inkremental tetapi mungkin menghadapi kesukaran dengan fenomena yang benar-benar belum pernah berlaku.

Pakar memberi amaran bahawa kreativiti dan pemikiran kritikal manusia kekal penting: cadangan AI perlu disahkan secara eksperimen dengan teliti. Terdapat juga cabaran bias data (AI hanya tahu apa yang telah dilihat) dan keyakinan berlebihan (model boleh salah apabila digunakan di luar latihan). Namun, manfaatnya nampaknya melebihi risiko: ramalan AI telah mendorong penemuan yang diterbitkan dalam biologi, kimia, dan fizik.

Masa Depan AI dalam Reka Bentuk Eksperimen

Melangkah ke hadapan, AI dan eksperimen akan menjadi semakin berkait rapat. Saintis sedang membangunkan “model asas” yang disesuaikan untuk domain sains (menggunakan data fizik, kimia, atau genomik) supaya mereka boleh meramalkan hasil dengan lebih baik dan malah mencadangkan reka bentuk eksperimen yang inovatif.

Dalam masa terdekat, penyelidik membayangkan memasukkan eksperimen yang dicadangkan ke dalam alat AI dan menerima taburan kebarangkalian hasil yang mungkin.

Dengan iterasi secara in silico, pasukan boleh mengoptimumkan eksperimen sebelum menyentuh pipet atau laser. Matlamatnya adalah aliran kerja penyelidikan hibrid: AI dengan pantas mengecilkan hipotesis dan laluan yang menjanjikan, manakala saintis manusia membawa intuisi dan wawasan untuk meneroka yang tidak diketahui.

>>> Terokai lebih lanjut: AI menganalisis data eksperimen

Apabila dilakukan dengan baik, kerjasama ini boleh menggandakan atau menggandakan tiga kali ganda kadar penemuan, menangani cabaran besar dari bahan tenaga boleh diperbaharui hingga perubatan peribadi.

Seperti yang dinyatakan oleh seorang penyelidik, AI akan menjadi “alat yang berkuasa dalam arsenal anda” yang membantu saintis mereka bentuk eksperimen paling berkesan dan membuka sempadan baru.