Сучасні дослідницькі лабораторії використовують штучний інтелект (ШІ) для обробки експериментальних результатів із безпрецедентною швидкістю. Інтегруючи ШІ з автоматизованими приладами та суперкомп’ютерами, науковці можуть аналізувати величезні набори даних у реальному часі, миттєво виявляти закономірності та навіть прогнозувати результати без проведення повільних традиційних експериментів. Ця можливість вже революціонізує галузі від матеріалознавства до біології.

Нижче ми розглянемо ключові способи, якими ШІ значно прискорює аналіз лабораторних даних:

• Автоматизовані «самокеровані» лабораторії: роботи під керівництвом ШІ безперервно проводять експерименти та обирають зразки для тестування, скорочуючи час простою та зайві вимірювання.
• Обробка даних у реальному часі: потокові дані з приладів надходять до обчислювальних систем на базі ШІ для миттєвого аналізу. Дослідники можуть оперативно коригувати експерименти, оскільки результати повертаються за хвилини, а не за дні.
• Прогностичні моделі машинного навчання: після навчання моделі ШІ можуть комп’ютерно імітувати експерименти. Наприклад, вони здатні за кілька хвилин створити тисячі молекулярних структур або профілів експресії генів, що в лабораторії зайняло б тижні або місяці.
• Автоматизація досліджень від початку до кінця: широкі платформи ШІ (як-от FutureHouse від MIT) розробляються для управління повним циклом роботи — від огляду літератури та збору даних до проєктування експериментів і аналізу — автоматизуючи багато ключових етапів досліджень.

Ці досягнення дозволяють науковцям зосередитися на отриманні нових знань замість рутинної обробки даних, суттєво прискорюючи темпи відкриттів.

Автоматизація лабораторій на основі ШІ

Дослідники створюють автономні лабораторії, які проводять експерименти з мінімальним втручанням людини.
Наприклад, у лабораторії Лоуренса Берклі A-Lab поєднує алгоритми ШІ з роботизованими маніпуляторами: ШІ пропонує нові матеріали для випробувань, а роботи швидко змішують і тестують їх. Такий тісний цикл «робот-науковець» дозволяє значно швидше підтверджувати перспективні сполуки, ніж у ручних дослідженнях.

Подібним чином проєкт FutureHouse від MIT розробляє агентів ШІ для виконання завдань, таких як пошук літератури, планування експериментів і аналіз даних, щоб науковці могли зосередитися на відкриттях, а не на рутинній роботі.

Особливо вражаючим прикладом є самокерований мікроскоп Національної лабораторії Аргонн. У цій системі алгоритм ШІ починає зі сканування кількох випадкових точок на зразку, а потім прогнозує, де можуть бути наступні цікаві ділянки.

Зосереджуючись лише на областях з великою кількістю даних і пропускаючи однорідні зони, мікроскоп збирає корисні зображення значно швидше, ніж традиційне покрокове сканування. Як пояснюють науковці Аргонн, «керування ШІ в режимі реального часу усуває потребу у втручанні людини та суттєво прискорює експеримент».

На практиці це означає набагато ефективніше використання часу на приладах із високим попитом: дослідники можуть проводити кілька високоточних сканувань за той же час, який ручні методи витрачають на одне.

Обробка даних у реальному часі в дослідницьких установах

Великі дослідницькі центри використовують ШІ для аналізу даних відразу після їх отримання. У лабораторії Берклі необроблені дані з мікроскопів і телескопів передаються безпосередньо на суперкомп’ютер.

Потім робочі процеси машинного навчання обробляють ці дані за лічені хвилини. Наприклад, нова платформа Distiller надсилає зображення з електронного мікроскопа на суперкомп’ютер NERSC під час зйомки; результати повертаються миттєво, що дозволяє науковцям коригувати експеримент на місці.

Навіть складні прилади отримують вигоду: у лазерному прискорювачі BELLA моделі глибокого навчання постійно налаштовують лазерні та електронні пучки для оптимальної стабільності, значно скорочуючи час, який науковці витрачають на ручні калібрування.

Інші національні лабораторії застосовують ШІ для контролю якості в режимі реального часу. Синхротрон NSLS-II у Брукхейвені тепер використовує агентів ШІ для цілодобового моніторингу експериментів на пучках.

Якщо зразок зміщується або дані виглядають «підозріло», система одразу ж сигналізує про це. Такий тип виявлення аномалій економить величезну кількість часу — науковці можуть усувати проблеми в режимі реального часу, а не виявляти їх після годин втраченої роботи пучка.

Так само Великий адронний колайдер у CERN використовує алгоритми «швидкого машинного навчання», вбудовані в апаратне забезпечення тригера: спеціалізований ШІ на FPGA миттєво аналізує сигнали зіткнень, розраховуючи енергії частинок у реальному часі та перевершуючи старі фільтри сигналів.

У всіх цих прикладах ШІ змінює робочий процес із «збирати все, а потім аналізувати» на «аналізувати на ходу», роблячи обробку даних практично миттєвою.

Прогностичні моделі для швидких висновків

ШІ не лише прискорює існуючі експерименти — він також замінює повільну лабораторну роботу віртуальними експериментами. Наприклад, у геноміці хіміки з MIT розробили ChromoGen, генеративний ШІ, який вивчає граматику згортання ДНК.

Отримавши послідовність ДНК, ChromoGen може «швидко проаналізувати» її та за кілька хвилин створити тисячі можливих 3D-структур хроматину. Це значно швидше за традиційні лабораторні методи: тоді як експеримент Hi-C може займати дні або тижні для картування геному одного типу клітин, ChromoGen створив 1000 прогнозованих структур лише за 20 хвилин на одному GPU.

Важливо, що прогнози ШІ дуже точно відповідали експериментальним даним, підтверджуючи ефективність підходу.

У біології команди Колумбійського університету навчили «фундаментальну модель» на даних понад мільйона клітин для прогнозування активності генів.

Їхній ШІ може передбачати, які гени активні в будь-якому типі клітин, фактично імітуючи результати масштабних експериментів з експресії генів. Як зазначають дослідники, ці прогностичні моделі дозволяють проводити «швидкі та точні» великомасштабні обчислювальні експерименти, що доповнюють лабораторні дослідження.

У тестах прогнози експресії генів для нових типів клітин дуже точно співпадали з фактичними експериментальними вимірами.

Отже, машинне навчання тепер дозволяє науковцям проводити віртуальні випробування у масштабі: перевіряти тисячі геномних або молекулярних сценаріїв за той час, який у лабораторії зайняв би один експеримент.

Вплив і перспективи

Інтеграція ШІ у експериментальний процес трансформує науку. Автоматизуючи аналіз даних і навіть прийняття рішень під час експериментів, ШІ перетворює колишнє «вузьке місце» на потужний прискорювач.

Дослідники відзначають, що з інструментами на базі ШІ вони можуть «зосередитися на відкриттях, поки машини виконують рутинні завдання та аналізують великі обсяги даних у реальному часі».

Інакше кажучи, науковці можуть проводити більше експериментів і робити висновки швидше, ніж будь-коли раніше. Як підсумовують фізики Аргонн, здатність «автоматизувати експерименти за допомогою ШІ значно прискорить науковий прогрес».

У майбутньому роль ШІ лише зростатиме: дедалі більше лабораторій використовуватимуть самокеровані прилади, а дедалі більше галузей покладатиметься на швидкий аналіз і прогнозування за допомогою ШІ.

Це означає, що цикл гіпотеза — експеримент — результат скоротиться — з років до місяців або навіть днів.

Результатом стане нова ера науки, орієнтованої на дані, де прориви в матеріалознавстві, енергетиці, медицині та інших сферах з’являтимуться з безпрецедентною швидкістю завдяки здатності ШІ швидко інтерпретувати експериментальні дані.