Современные исследовательские лаборатории используют искусственный интеллект (ИИ) для обработки экспериментальных результатов с беспрецедентной скоростью. Интегрируя ИИ с автоматизированными приборами и суперкомпьютерами, учёные могут анализировать огромные наборы данных в реальном времени, мгновенно выявлять закономерности и даже предсказывать результаты без проведения медленных традиционных экспериментов. Эта возможность уже меняет такие области, как материаловедение и биология.

Ниже мы рассмотрим ключевые способы, с помощью которых ИИ значительно ускоряет анализ лабораторных данных:

• Автоматизированные “самоуправляемые” лаборатории: Роботы под управлением ИИ непрерывно проводят эксперименты и самостоятельно выбирают образцы для тестирования, сокращая время простоя и исключая повторные измерения.
• Обработка данных в реальном времени: Потоковые данные с приборов поступают в вычислительные системы на базе ИИ для мгновенного анализа. Исследователи могут оперативно корректировать эксперименты, поскольку результаты возвращаются за минуты, а не дни.
• Прогностические модели машинного обучения: После обучения модели ИИ способны симулировать эксперименты вычислительно. Например, они могут за считанные минуты сгенерировать тысячи молекулярных структур или профилей экспрессии генов, что традиционными методами заняло бы недели или месяцы.
• Автоматизация исследований от начала до конца: Широкие платформы ИИ (например, FutureHouse от MIT) создаются для управления полным циклом работы — от обзора литературы и сбора данных до проектирования экспериментов и анализа — автоматизируя многие ключевые этапы исследований.

Эти достижения позволяют учёным сосредоточиться на получении инсайтов, а не на рутинной обработке данных, значительно ускоряя темпы научных открытий.

Автоматизация лабораторий на базе ИИ

Исследователи создают автономные лаборатории, которые проводят эксперименты с минимальным участием человека.
Например, в лаборатории Лоуренса Беркли (Lawrence Berkeley Lab) комплекс A-Lab сочетает алгоритмы ИИ с роботизированными манипуляторами: ИИ предлагает новые материалы для испытаний, а роботы быстро смешивают и тестируют их. Такой замкнутый цикл “робот-учёных” позволяет гораздо быстрее подтверждать перспективные соединения по сравнению с ручными методами.

Аналогично, проект FutureHouse от MIT разрабатывает ИИ-агентов для выполнения задач, таких как поиск литературы, планирование экспериментов и анализ данных, чтобы учёные могли сосредоточиться на открытиях, а не на рутинных операциях.

Особенно впечатляющим примером является самоуправляемый микроскоп Национальной лаборатории Аргонна. В этой системе алгоритм ИИ сначала сканирует несколько случайных точек образца, а затем предсказывает, где могут находиться следующие интересные объекты.

Фокусируясь только на областях с высокой плотностью данных и пропуская однородные участки, микроскоп собирает полезные изображения значительно быстрее, чем при традиционном покадровом сканировании. Как объясняют учёные Аргонна, управление ИИ “на лету” “исключает необходимость вмешательства человека и значительно ускоряет эксперимент”.

На практике это означает гораздо более эффективное использование времени на приборах с высокой нагрузкой: исследователи могут проводить несколько высокоточных сканирований за то же время, которое вручную заняло бы одно.

Обработка данных в реальном времени в исследовательских центрах

Крупные исследовательские центры используют ИИ для анализа данных по мере их поступления. В лаборатории Беркли необработанные данные с микроскопов и телескопов напрямую передаются на суперкомпьютер.

Рабочие процессы машинного обучения обрабатывают эти данные за считанные минуты. Например, новая платформа Distiller отправляет изображения с электронного микроскопа на суперкомпьютер NERSC во время съёмки; результаты возвращаются мгновенно, позволяя учёным корректировать эксперимент на месте.

Даже сложные приборы выигрывают от этого: в лазерном ускорителе BELLA модели глубокого обучения постоянно настраивают лазерные и электронные пучки для оптимальной стабильности, значительно сокращая время, которое учёные тратят на ручную калибровку.

Другие национальные лаборатории используют ИИ для контроля качества в реальном времени. Синхротрон NSLS-II в Брукхейвене теперь применяет ИИ-агентов для круглосуточного наблюдения за экспериментами на лучевой линии.

Если образец смещается или данные выглядят “аномальными”, система сразу же сигнализирует об этом. Такой тип обнаружения аномалий экономит огромное количество времени — учёные могут исправлять проблемы в реальном времени, а не обнаруживать их после потери часов работы луча.

Аналогично, Большой адронный коллайдер CERN использует встроенные в аппаратное обеспечение триггера алгоритмы “быстрого машинного обучения”: специализированный ИИ на FPGA мгновенно анализирует сигналы столкновений, рассчитывая энергии частиц в реальном времени и превосходя старые фильтры сигналов.

Во всех этих примерах ИИ меняет подход с “собрать всё, а потом анализировать” на “анализировать на лету”, делая обработку данных практически мгновенной.

Прогностические модели для быстрого получения инсайтов

ИИ не только ускоряет существующие эксперименты — он также заменяет медленную лабораторную работу виртуальными экспериментами. В геномике, например, химики MIT разработали ChromoGen, генеративный ИИ, который изучает грамматику свёртывания ДНК.

Получив последовательность ДНК, ChromoGen может “быстро проанализировать” её и сгенерировать тысячи возможных 3D-структур хроматина за считанные минуты. Это значительно быстрее традиционных лабораторных методов: в то время как эксперимент Hi-C может занять дни или недели для картирования генома одного типа клеток, ChromoGen создал 1000 предсказанных структур всего за 20 минут на одном GPU.

Важно, что предсказания ИИ тесно совпали с экспериментальными данными, что подтверждает эффективность подхода.

В биологии команды Колумбийского университета обучили “фундаментальную модель” на данных более миллиона клеток для прогнозирования активности генов.

Их ИИ может предсказывать, какие гены активны в каждом типе клеток, фактически моделируя результаты масштабных экспериментов по экспрессии генов. Как отмечают исследователи, эти прогностические модели позволяют проводить “быстрые и точные” масштабные вычислительные эксперименты, которые направляют и дополняют лабораторные исследования.

В тестах предсказания экспрессии генов для новых типов клеток очень точно совпадали с фактическими экспериментальными измерениями.

Короче говоря, машинное обучение теперь позволяет учёным проводить виртуальные испытания в масштабе: проверять тысячи геномных или молекулярных сценариев за то время, которое в лаборатории занимает один эксперимент.

Влияние и перспективы

Интеграция ИИ в экспериментальный процесс меняет науку. Автоматизируя анализ данных и даже принятие решений во время экспериментов, ИИ превращает узкое место в ускоренный процесс.

Исследователи отмечают, что с инструментами на базе ИИ они могут “сосредоточиться на открытиях, пока машины выполняют рутинные задачи и анализируют огромные массивы данных в реальном времени”.

Иными словами, учёные могут проводить больше экспериментов и быстрее делать выводы, чем когда-либо прежде. Как заключают физики Аргоннской лаборатории, возможность “автоматизировать эксперименты с помощью ИИ значительно ускорит научный прогресс”.

В будущем роль ИИ будет только расти: всё больше лабораторий будут использовать самоуправляемые приборы, а всё больше областей — полагаться на быстрый анализ и прогнозирование с помощью ИИ.

Это означает, что цикл гипотеза — эксперимент — результат сократится — с лет до месяцев и даже дней.

В итоге наступит новая эра науки, основанной на данных, где прорывы в материалах, энергетике, здравоохранении и других областях будут происходить с беспрецедентной скоростью благодаря способности ИИ быстро интерпретировать экспериментальные данные.