ИИ анализирует экспериментальные данные
В научных исследованиях скорость и точность анализа экспериментальных данных имеют решающее значение. Раньше обработка наборов данных могла занимать дни или даже недели, но искусственный интеллект (ИИ) изменил это. ИИ может сканировать, обрабатывать и извлекать инсайты из огромных объемов данных за считанные минуты, помогая исследователям экономить время, снижать количество ошибок и ускорять открытия.
Современные исследовательские лаборатории используют искусственный интеллект (ИИ) для обработки экспериментальных результатов с беспрецедентной скоростью. Интегрируя ИИ с автоматизированными приборами и суперкомпьютерами, ученые могут анализировать огромные наборы данных в реальном времени, мгновенно выявлять закономерности и даже предсказывать результаты без проведения медленных традиционных экспериментов. Эта возможность уже революционизирует такие области, как материаловедение и биология.
Ниже мы рассмотрим основные способы, которыми ИИ значительно ускоряет анализ лабораторных данных:
Четыре революционных применения ИИ в лабораторном анализе
Автоматизированные «самоуправляемые» лаборатории
Роботы под управлением ИИ проводят эксперименты непрерывно и выбирают образцы для тестирования, сокращая время простоя и избыточные измерения.
Обработка данных в реальном времени
Потоковые данные с приборов поступают в вычислительные системы на базе ИИ для мгновенного анализа. Исследователи могут корректировать эксперименты на ходу, поскольку результаты возвращаются за минуты, а не дни.
Прогностические модели машинного обучения
После обучения модели ИИ могут симулировать эксперименты вычислительно. Например, они способны 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 всеми этапами — от обзора литературы и сбора данных до проектирования экспериментов и анализа — автоматизируя многие ключевые шаги исследований.
Автоматизация лабораторий на базе ИИ
Исследователи создают автономные лаборатории, которые проводят эксперименты с минимальным участием человека. Например, в лаборатории Лоуренса Беркли A-Lab ИИ-алгоритмы работают в паре с роботизированными манипуляторами: ИИ предлагает новые материалы для испытаний, а роботы быстро смешивают и тестируют их. Такой замкнутый цикл «робот-ученый» позволяет гораздо быстрее подтверждать перспективные соединения, чем при ручных исследованиях.
Аналогично, проект FutureHouse от MIT разрабатывает ИИ-агентов для выполнения задач, таких как поиск литературы, планирование экспериментов и анализ данных, чтобы ученые могли сосредоточиться на открытиях, а не на рутинных операциях.
Самоуправляемый микроскоп
Интеллектуальное сканирование
Особенно впечатляющим примером является самоуправляемый микроскоп Национальной лаборатории Аргонна. В этой системе алгоритм ИИ начинает с сканирования нескольких случайных точек на образце, а затем предсказывает, где могут находиться следующие интересные объекты.
Управление ИИ на лету устраняет необходимость в человеческом вмешательстве и значительно ускоряет эксперимент.
— Ученые Национальной лаборатории Аргонна
Фокусируясь только на областях с большим количеством данных и пропуская однородные участки, микроскоп собирает полезные изображения гораздо быстрее, чем традиционное покадровое сканирование. На практике это означает более эффективное использование времени на приборах с высокой нагрузкой: исследователи могут проводить несколько высокоразрешающих 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 передаются напрямую на суперкомпьютер.
Платформа Distiller
Рабочие процессы машинного обучения обрабатывают данные за считанные минуты. Новая платформа Distiller отправляет изображения с электронного микроскопа на суперкомпьютер NERSC во время съемки; результаты возвращаются мгновенно, позволяя ученым корректировать эксперимент на месте.
Даже сложные приборы выигрывают: на лазерном ускорителе BELLA модели глубокого обучения непрерывно настраивают лазерные и электронные пучки для оптимальной стабильности, сокращая время, которое ученые тратят на ручные калибровки.
Круглосуточный мониторинг
Другие национальные лаборатории используют ИИ для постоянного контроля качества. Синхротрон NSLS-II в Брукхейвене теперь применяет ИИ-агентов для наблюдения за экспериментами на лучевой линии 24/7.
Если образец смещается или данные выглядят «неправильными», система сразу же сигнализирует об этом. Такой тип обнаружения аномалий экономит огромное количество времени — ученые могут исправлять проблемы в реальном времени, а не обнаруживать их после часов потерянного времени работы с пучком.
Физика частиц
Большой адронный коллайдер CERN использует «быстрые ML» алгоритмы, встроенные в аппаратное обеспечение триггера: специализированный ИИ на ПЛИС мгновенно анализирует сигналы столкновений, вычисляя энергии частиц в реальном времени и превосходя старые фильтры сигналов.
Собрать всё, а потом анализировать
- Часы или дни сбора данных
- Ручной анализ после экспериментов
- Проблемы обнаруживаются слишком поздно
- Ограниченные возможности корректировок в реальном времени
Анализ на лету
- Мгновенная обработка данных
- Корректировка экспериментов в реальном времени
- Немедленное обнаружение проблем
- Постоянная оптимизация
Прогностические модели для быстрого получения инсайтов
ИИ не только ускоряет существующие эксперименты — он также заменяет медленную лабораторную работу виртуальными экспериментами. Например, в геномике химики MIT разработали ChromoGen, генеративный ИИ, который изучает грамматику сворачивания ДНК.
ChromoGen AI
Прогноз экспрессии генов
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.
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 любом типе клеток, фактически моделируя результаты масштабного эксперимента 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 ИИ для новых типов клеток очень точно совпадали с фактическими экспериментальными измерениями.
Влияние и перспективы
Интеграция ИИ в экспериментальный процесс трансформирует науку. Автоматизируя анализ данных и даже принятие решений во время экспериментов, ИИ превращает узкое место в турбоускоренный процесс.
Сосредоточьтесь на открытиях, пока машины выполняют повторяющиеся задачи и анализируют огромные объемы данных в реальном времени.
— Исследователи
Другими словами, ученые могут проводить больше экспериментов и делать выводы быстрее, чем когда-либо.
Автоматизация экспериментов с помощью ИИ значительно ускорит научный прогресс.
— Физики Национальной лаборатории Аргонна
Текущее состояние
Инструменты на базе ИИ в отдельных лабораториях
Ближайшее будущее
Больше самоуправляемых приборов
Долгосрочная перспектива
Широкое внедрение анализа с помощью ИИ
В будущем роль ИИ будет расти: больше лабораторий будут использовать самоуправляемые приборы, а больше областей — полагаться на быстрый анализ и прогнозирование с помощью ИИ.
Это означает, что цикл гипотеза — эксперимент — результат сократится с лет до месяцев или даже дней.
