Hoe voorspelt AI experimentele resultaten om de onderzoekstijd te verkorten, kosten te verlagen en de efficiëntie te verbeteren? Ontdek de details met INVIAI in dit artikel!

Hoe AI experimenten plant en analyseert

Kunstmatige intelligentie (AI) verandert de manier waarop wetenschappers experimenten plannen en interpreteren. Door patronen te leren uit enorme hoeveelheden data – van onderzoeksartikelen tot simulatie-uitkomsten – kunnen AI-modellen de waarschijnlijke resultaten van nieuwe experimenten voorspellen.

Zo is aangetoond dat grote taalmodellen (LLM’s), getraind op wetenschappelijke literatuur, “patronen destilleren” die hen in staat stellen wetenschappelijke uitkomsten met bovennatuurlijke nauwkeurigheid te voorspellen.

In een recente studie voorspelden AI-tools de resultaten van voorgestelde neurowetenschappelijke experimenten veel vaker correct dan menselijke experts. Deze AI-gedreven voorspellingen beloven minder trial-and-error, wat tijd en middelen in het laboratorium bespaart.

Onderzoekers gebruiken AI al als een “co-piloot” voor de wetenschap. In een baanbrekend resultaat ontdekte een AI-“co-wetenschapper”, gebaseerd op een Google Research LLM, een complex biologisch mechanisme in bacteriën opnieuw: de hoogst gerangschikte hypothese kwam exact overeen met een experimenteel bevestigd genoverdrachtsproces. Met andere woorden, de AI stelde onafhankelijk het juiste antwoord voor op een vraag die menselijke wetenschappers jaren kostte om op te lossen.

De auteurs concluderen dat zulke AI kan fungeren “niet alleen als een hulpmiddel, maar als een creatieve motor die ontdekkingen versnelt”.

Evenzo toonde een door UCL geleid team aan dat generieke LLM’s (en een gespecialiseerd “BrainGPT”-model) de uitkomsten van neurowetenschappelijke studies met veel hogere nauwkeurigheid konden voorspellen dan menselijke neurowetenschappers. De LLM’s behaalden gemiddeld een succespercentage van 81% bij het kiezen van de juiste gepubliceerde resultaten, terwijl experts slechts 63–66% haalden. Dit suggereert dat AI literatuurpatronen kan herkennen en vooruitziende voorspellingen kan doen die verder gaan dan alleen feiten opzoeken.

AI-toepassingen in verschillende wetenschapsgebieden

Biologie

AI boekt vooruitgang in veel vakgebieden. In biologie werd een nieuw funderingsmodel getraind op data van meer dan een miljoen cellen en leerde het de “grammatica” van genexpressie. Het kan voorspellen welke genen actief zijn in elk type menselijke cel, en de voorspellingen kwamen nauwkeurig overeen met laboratoriummetingen.

In een demonstratie voorspelde de AI correct hoe erfelijke leukemie-mutaties het regulerende netwerk van een cel verstoren – een voorspelling die later experimenteel werd bevestigd.

Chemie

In chemie ontwikkelden onderzoekers van MIT een model genaamd FlowER dat de uitkomsten van chemische reacties realistischer voorspelt door fysieke beperkingen (zoals behoud van massa en elektronen) af te dwingen. Deze AI die rekening houdt met beperkingen verbeterde de nauwkeurigheid en betrouwbaarheid bij het voorspellen van reactieproducten aanzienlijk.

AI-platforms zoals IBM’s RXN for Chemistry gebruiken eveneens deep learning om de “chemische taal” in kaart te brengen en reactieresultaten te voorspellen, waardoor chemici nieuwe reacties veel sneller kunnen verkennen dan met trial-and-error methoden.

Materiaalkunde

In materiaalkunde worden opkomende AI-fundatiemodellen (zoals Microsoft’s MatterGen/MatterSim) getraind op data over atomen en moleculen, zodat ze kunnen voorspellen hoe nieuwe materialen zich zullen gedragen voordat er een experiment wordt uitgevoerd.

AI in natuurkunde en geavanceerde simulaties

Een natuurkundig geïnformeerd AI-model voorspelde met succes de uitkomst van een fusie-experiment. Zo gebruikten wetenschappers van het Lawrence Livermore National Lab een AI-gestuurd kader om dagen van tevoren het succes van een fusie-ontsteking te voorspellen. Hun model, getraind op duizenden simulaties en eerdere experimenten, voorspelde een kans van meer dan 70% op het bereiken van ontsteking (netto energiewinst) voordat het experiment werd uitgevoerd.

Na het experiment viel de werkelijke neutronenopbrengst binnen het door AI voorspelde bereik, wat aantoont dat AI betrouwbare probabilistische voorspellingen kan geven van complexe natuurkundige experimenten.

Deze aanpak – het combineren van AI met natuurkundesimulaties – leverde niet alleen een correcte voorspelling op, maar kwantificeerde ook de onzekerheden, waardoor onderzoekers beter het experimentele risico konden inschatten. Evenzo heeft AI in het onderzoek naar zwaartekrachtsgolven zelfs nieuwe interferometerconfiguraties ontworpen (zoals het toevoegen van een optische holte op kilometerschaal) om de gevoeligheid van detectoren te verbeteren – ontdekkingen die menselijke ingenieurs over het hoofd hadden gezien.

AI-gestuurde laboratoriumautomatisering

Laboratoriumautomatisering is een ander gebied waar AI-voorspellingen een revolutie teweegbrengen. Wetenschappers zien volledig geautomatiseerde “ontdekkingsfabrieken” voor zich, waar robots experimenten uitvoeren en AI de resultaten analyseert. Onderzoekers van UNC-Chapel Hill beschrijven hoe mobiele robots continu chemie-experimenten kunnen uitvoeren, zonder vermoeid te raken, en nauwkeurige protocollen veel consistenter uitvoeren dan mensen.

Deze robots genereren enorme datasets die AI direct kan scannen op patronen en afwijkingen.

In deze visie wordt de klassieke cyclus van ontwerpen-maken-testen-analyseren veel sneller en adaptiever: AI-modellen kunnen het volgende experiment voorstellen, de omstandigheden in realtime optimaliseren en zelfs volledige experimentele campagnes plannen. Zo merkt het UNC-team op dat AI veelbelovende nieuwe verbindingen of materialen kan identificeren om te testen, waardoor wetenschappers effectief worden geleid naar de volgende veelbelovende stap.

Door routinetaken te automatiseren, krijgen onderzoekers meer ruimte om hogere vragen te stellen, terwijl AI zich richt op de meest informatieve experimenten.

De voordelen van AI voor wetenschappelijk onderzoek

AI-gedreven voorspellingen bieden enorme voordelen voor de wetenschap. Ze kunnen ontdekkingen versnellen door experimentele keuzes te beperken, kosten verlagen door zinloze proeven te elimineren en subtiele patronen blootleggen die mensen mogelijk missen. Tools zoals DeepMind’s AlphaFold2 hebben de biologie al getransformeerd door eiwitstructuren te voorspellen: AlphaFold2 modelleerde nauwkeurig de 3D-structuur van vrijwel alle ongeveer 200 miljoen eiwitten die de wetenschap kent.

Dit betekent dat experimenteerders veel minder tijd kwijt zijn aan arbeidsintensieve röntgen- of cryo-EM-studies en zich kunnen richten op nieuwe eiwitten.

Evenzo voorspelt het ESMBind-model van Brookhaven Lab hoe plantaardige eiwitten metaalionen (zoals zink of ijzer) binden en presteert beter dan andere methoden bij het identificeren van metaalbindplaatsen. Dit versnelt onderzoek naar bio-energiegewassen door te bepalen welke genen bestudeerd moeten worden voor nutriëntenopname.

In alle gevallen fungeert AI als een krachtig screening-instrument: het filtert de enorme experimentele “zoekruimte” tot een kleinere set van uitkomsten of kandidaten met hoge waarschijnlijkheid.

Uitdagingen en beperkingen van AI

Deze vooruitgangen roepen echter ook nieuwe vragen op. Het feit dat AI veel resultaten zo goed kan voorspellen, suggereert dat wetenschappelijke bevindingen vaak bekende patronen volgen. Zoals onderzoekers van UCL opmerken: “veel wetenschap is niet echt nieuw, maar volgt bestaande patronen” in de literatuur.

Dit betekent dat AI uitblinkt in routinematige of incrementele ontdekkingen, maar moeite kan hebben met echt ongekende fenomenen.

Experts waarschuwen dat menselijke creativiteit en kritisch denken cruciaal blijven: AI-aanbevelingen vereisen zorgvuldige experimentele validatie. Er zijn ook uitdagingen zoals databias (AI kent alleen wat het heeft gezien) en overmoed (modellen kunnen fouten maken als ze buiten hun trainingsgebied worden gebruikt). Toch lijken de voordelen op te wegen tegen de risico’s: AI-voorspellingen hebben al geleid tot gepubliceerde doorbraken in biologie, chemie en natuurkunde.

De toekomst van AI in experimenteel ontwerp

Vooruitkijkend zullen AI en experimenten steeds meer met elkaar verweven raken. Wetenschappers ontwikkelen “fundatiemodellen” die zijn afgestemd op wetenschapsdomeinen (met fysica-, chemie- of genomische data) zodat ze uitkomsten beter kunnen voorspellen en zelfs innovatieve experimentele ontwerpen kunnen voorstellen.

Binnenkort kunnen onderzoekers een voorgesteld experiment invoeren in een AI-tool en een waarschijnlijkheidsverdeling van mogelijke resultaten terugkrijgen.

Door iteratief in silico te werken, kunnen teams experimenten optimaliseren voordat ze een pipet of laser aanraken. Het doel is een hybride onderzoeksworkflow: AI beperkt snel veelbelovende hypothesen en routes, terwijl menselijke wetenschappers intuïtie en inzicht inbrengen om het onbekende te verkennen.

>>> Ontdek meer: AI analyseert experimentele gegevens

Wanneer dit goed wordt uitgevoerd, kan deze samenwerking de snelheid van ontdekkingen verdubbelen of verdrievoudigen en grote uitdagingen aanpakken, van materialen voor hernieuwbare energie tot gepersonaliseerde geneeskunde.

Zoals een onderzoeker het verwoordde: AI wordt “een krachtig hulpmiddel in uw arsenaal” dat wetenschappers helpt de meest effectieve experimenten te ontwerpen en nieuwe grenzen te verkennen.