Maabara za kisasa za utafiti zinatumia akili bandia (AI) kuchakata matokeo ya majaribio kwa kasi isiyokuwa ya kawaida. Kwa kuunganisha AI na vifaa vya moja kwa moja na kompyuta zenye nguvu, wanasayansi wanaweza kuchambua seti kubwa za data kwa wakati halisi, kubaini mifumo mara moja, na hata kutabiri matokeo bila kuendesha majaribio ya kawaida yenye mwendo polepole. Uwezo huu tayari unabadilisha nyanja mbalimbali kuanzia sayansi ya vifaa hadi biolojia.

Hapa chini tunachunguza njia kuu ambazo AI inafanya uchambuzi wa data za maabara kuwa wa haraka zaidi:

• Maabara za “kujiendesha” kwa njia ya moja kwa moja: Roboti zinazoongozwa na AI zinaendesha majaribio bila kukoma na kuchagua sampuli za kupimwa, kupunguza muda wa kusubiri na vipimo visivyo na maana.
• Kuchakata data kwa wakati halisi: Data zinazotiririka kutoka kwa vifaa huingizwa kwenye mifumo ya kompyuta inayotumia AI kwa uchambuzi wa papo hapo. Watafiti wanaweza kurekebisha majaribio papo kwa papo kwa sababu matokeo yanarudi ndani ya dakika badala ya siku.
• Mifano ya kujifunza mashine inayotabiri: Mara tu AI inapofunzwa, mifano inaweza kuiga majaribio kwa njia ya kompyuta. Kwa mfano, inaweza kuzalisha maelfu ya miundo ya molekuli au profaili za maonyesho ya jeni ndani ya dakika, sawa na kile ambacho mbinu za maabara zingechukua wiki au miezi kufanya.
• Uendeshaji wa utafiti kuanzia mwanzo hadi mwisho: Majukwaa makubwa ya AI (kama FutureHouse ya MIT) yanajengwa kushughulikia mchakato mzima—kuanzia ukaguzi wa fasihi na ukusanyaji wa data hadi muundo wa majaribio na uchambuzi—kuendesha hatua nyingi muhimu za utafiti kwa moja kwa moja.

Mafanikio haya yanawawezesha wanasayansi kuzingatia maarifa badala ya kazi za kawaida za kuchakata data, na hivyo kuharakisha kwa kiasi kikubwa kasi ya uvumbuzi.

Uendeshaji wa Moja kwa Moja wa AI katika Maabara

Watafiti wanajenga maabara huru zinazofanya majaribio kwa usaidizi mdogo wa binadamu.
Kwa mfano, kituo cha A-Lab cha Lawrence Berkeley Lab kinachanganya algoriti za AI na mikono ya roboti: AI hupendekeza vifaa vipya vya kujaribu, na roboti huvichanganya na kuvikagua kwa haraka mfululizo. Mzunguko huu wa karibu wa “wanasayansi roboti” unamaanisha kwamba misombo yenye ahadi inathibitishwa kwa kasi zaidi kuliko katika tafiti za mikono.

Vivyo hivyo, mradi wa FutureHouse wa MIT unakuza mawakala wa AI kushughulikia kazi kama utafutaji wa fasihi, upangaji wa majaribio, na uchambuzi wa data, ili wanasayansi waweze kuzingatia uvumbuzi badala ya kazi za kawaida.

Mfano wa kuvutia ni mikroskopy ya kujiendesha ya Maabara ya Kitaifa ya Argonne. Katika mfumo huu, algoriti ya AI huanza kwa kuchambua sehemu chache za sampuli kwa bahati nasibu, kisha hutabiri maeneo yanayoweza kuwa na vipengele vya kuvutia.

Kwa kuzingatia maeneo yenye data nyingi na kupita yale yenye usawa, mikroskopy hukusanya picha muhimu kwa kasi zaidi kuliko skanning ya kawaida sehemu kwa sehemu. Kama wanasayansi wa Argonne wanavyosema, udhibiti wa AI “kwa wakati halisi” “huondoa hitaji la usaidizi wa binadamu na kuharakisha majaribio kwa kiasi kikubwa”.

Katika matumizi halisi, hii inamaanisha matumizi bora zaidi ya muda kwenye vifaa vinavyohitajika sana: watafiti wanaweza kufanya skanning nyingi za azimio kubwa kwa muda ule ule ambao mbinu za mikono zingechukua moja tu.

Kuchakata Data kwa Wakati Halisi katika Vituo vya Utafiti

Vituo vikubwa vya utafiti vinatumia AI kuchambua data wakati inapotengenezwa. Katika Berkeley Lab, data ghafi kutoka kwa mikroskopy na teleskopy hutiririka moja kwa moja hadi kwenye kompyuta yenye nguvu.

Mifumo ya kujifunza mashine huchakata data hii ndani ya dakika. Kwa mfano, jukwaa jipya linaloitwa Distiller hutuma picha za mikroskopy ya elektroni kwa kompyuta ya NERSC wakati wa upigaji picha; matokeo yanarudi papo hapo, kuruhusu wanasayansi kuboresha majaribio mara moja.

Hata vifaa changamano vinapata faida: katika BELLA laser accelerator, mifano ya kujifunza kwa kina huendelea kurekebisha miale ya laser na elektroni kwa utulivu bora, kupunguza muda ambao wanasayansi hutumia kurekebisha kwa mikono.

Maabara nyingine za kitaifa zinatumia AI kwa udhibiti wa ubora wa moja kwa moja. Synchrotron ya NSLS-II ya Brookhaven sasa inatumia mawakala wa AI kuangalia majaribio ya beamline masaa 24 kwa siku, siku saba kwa wiki.

Ikiwa sampuli inabadilika au data inaonekana “haiko sawa,” mfumo hutoa onyo mara moja. Aina hii ya kugundua kasoro huokoa muda mwingi—wanasayansi wanaweza kurekebisha matatizo papo hapo badala ya kugundua baada ya kupoteza muda mwingi wa matumizi ya beam.

Vivyo hivyo, Large Hadron Collider ya CERN inatumia algoriti za “fast ML” zilizojengwa ndani ya vifaa vya trigger: AI maalum katika FPGAs huchambua ishara za mgongano papo hapo, ikihesabu nishati za chembe kwa wakati halisi na kuizidi ufanisi wa vichujio vya ishara vya zamani.

Katika mifano hii yote, AI hubadilisha mchakato kutoka “kusanya kila kitu kisha uchambue baadaye” hadi “chambua papo hapo,” na kufanya uchakataji wa data kuwa wa haraka sana.

Mifano ya Kutabiri kwa Haraka kwa Maarifa

AI haiondoi tu kasi majaribio yaliyopo – pia inachukua nafasi ya kazi za maabara polepole kwa majaribio ya mtandaoni. Katika genomics, kwa mfano, wanasayansi wa kemia wa MIT wameunda ChromoGen, AI inayojifunza sarufi ya kufunga DNA.

Ikiwa na mlolongo wa DNA, ChromoGen inaweza “kuchambua haraka” mlolongo huo na kuzalisha maelfu ya miundo ya 3D ya chromatin ndani ya dakika. Hii ni kasi zaidi sana kuliko mbinu za kawaida za maabara: wakati jaribio la Hi-C lingechukua siku au wiki kupima genome kwa aina moja ya seli, ChromoGen ilizalisha miundo 1,000 inayotabirika ndani ya dakika 20 tu kwa kutumia GPU moja.

Muhimu zaidi, utabiri wa AI ulikuwa karibu sana na data za majaribio, kuthibitisha njia hiyo.

Katika biolojia, timu za Chuo Kikuu cha Columbia zilifundisha “mfano wa msingi” kwa data kutoka kwa zaidi ya seli milioni moja kutabiri shughuli za jeni.

AI yao inaweza kutabiri ni jeni gani zitakazowashwa katika aina yoyote ya seli, kwa kiasi kikubwa kuiga kile ambacho jaribio kubwa la maonyesho ya jeni lingebainisha. Kama wanasayansi wanavyosema, mifano hii ya kutabiri inaruhusu “majaribio ya kompyuta ya haraka na sahihi” yanayoongoza na kuunga mkono kazi za maabara za kawaida.

Katika majaribio, utabiri wa maonyesho ya jeni kwa aina mpya za seli ulikuwa karibu sana na vipimo halisi vya majaribio.

Kwa kifupi, kujifunza kwa mashine sasa kunawawezesha wanasayansi kufanya majaribio ya mtandaoni kwa wingi: kukagua maelfu ya hali za genome au molekuli kwa muda ambao ungechukua kufanya moja tu maabara.

Mwanga wa Mbele na Athari

Uingizaji wa AI katika mchakato wa majaribio unabadilisha sayansi. Kwa kuendesha moja kwa moja uchambuzi wa data na hata maamuzi wakati wa majaribio, AI hubadilisha kikwazo kuwa mchakato wa kasi sana.

Watafiti wanaripoti kuwa kwa zana zinazotawaliwa na AI, wanaweza “kuzingatia uvumbuzi wakati mashine zinashughulikia kazi za kurudia na uchambuzi wa data kubwa kwa wakati halisi”.

Kwa maneno mengine, wanasayansi wanaweza kufanya majaribio mengi na kutoa hitimisho kwa kasi zaidi kuliko hapo awali. Kama wanauchumi wa Argonne wanavyosema, uwezo wa “kuendesha majaribio kwa AI utaongeza kasi ya maendeleo ya kisayansi kwa kiasi kikubwa”.

Tukiangalia mbele, tunaweza kutegemea jukumu la AI kuongezeka: maabara zaidi zitatumia vifaa vinavyojiendesha, na nyanja zaidi zitategemea uchambuzi wa haraka wa AI na utabiri.

Hii inamaanisha mzunguko wa nadharia, jaribio, na matokeo utapungua—kutoka miaka hadi miezi au hata siku.

Matokeo ni enzi mpya ya sayansi inayotegemea data, ambapo mafanikio katika vifaa, nishati, afya na mengine yanaweza kuibuka kwa kasi isiyokuwa ya kawaida, yakiwaendeshwa na uwezo wa AI wa kuelewa data za majaribio haraka.