Як штучний інтелект прогнозує результати експериментів, допомагаючи скоротити час досліджень, знизити витрати та підвищити ефективність? Дізнаймося більше разом із INVIAI у цій статті!

Як ШІ планує та аналізує експерименти

Штучний інтелект (ШІ) змінює підходи вчених до планування та інтерпретації експериментів. Навчаючись на великих обсягах даних – від наукових публікацій до результатів симуляцій – моделі ШІ можуть передбачати ймовірні результати нових експериментів.

Наприклад, великі мовні моделі (ВММ), навчені на науковій літературі, демонструють здатність «вловлювати закономірності», що дозволяє їм прогнозувати наукові результати з надлюдською точністю.

У одному з останніх досліджень інструменти ШІ значно частіше, ніж експерти-люди, правильно передбачали результати запропонованих нейронаукових експериментів. Такі прогнози на основі ШІ обіцяють зменшити кількість спроб і помилок, заощаджуючи час і ресурси в лабораторії.

Дослідники вже використовують ШІ як «співавтора» науки. У знаковому випадку ШІ-«співвчений», створений на базі мовної моделі Google Research, повторно відкрив складний біологічний механізм у бактерій: його найвища гіпотеза точно відповідала експериментально підтвердженому процесу передачі генів. Іншими словами, ШІ самостійно запропонував правильну відповідь на питання, яке людські вчені розв’язували роками.

Автори дійшли висновку, що такий ШІ може виступати «не лише як інструмент, а як творча рушійна сила, що прискорює відкриття».

Подібним чином команда UCL показала, що загальні ВММ (а також спеціалізована модель «BrainGPT») можуть прогнозувати результати нейронаукових досліджень з набагато вищою точністю, ніж людські нейронауковці. ВММ у середньому досягали 81% успішності у виборі правильних опублікованих результатів, тоді як експерти – лише 63–66%. Це свідчить, що ШІ здатен виявляти закономірності в літературі та робити прогнози на майбутнє, а не просто шукати факти.

Застосування ШІ у різних наукових галузях

Біологія

ШІ робить значні кроки у багатьох сферах. У біології нова фундаментальна модель навчена на даних понад мільйона клітин і засвоїла «граматику» експресії генів. Вона може прогнозувати, які гени будуть активні в будь-якому типі людських клітин, а її прогнози тісно збігаються з лабораторними вимірами.

У одному демонстраційному прикладі ШІ правильно передбачив, як спадкові мутації лейкемії порушують регуляторну мережу клітини – прогноз, який пізніше підтвердили експерименти.

Хімія

У хімії дослідники з MIT розробили модель FlowER, яка реалістичніше прогнозує результати хімічних реакцій, враховуючи фізичні обмеження (наприклад, збереження маси та електронів). Цей ШІ з урахуванням обмежень значно підвищив точність і надійність прогнозів продуктів реакцій.

Платформи ШІ, як-от RXN for Chemistry від IBM, також використовують глибоке навчання для моделювання «хімічної мови» та прогнозування результатів реакцій, допомагаючи хімікам швидше досліджувати нові реакції, ніж за допомогою методів спроб і помилок.

Матеріалознавство

У матеріалознавстві нові фундаментальні моделі ШІ (наприклад, MatterGen/MatterSim від Microsoft) навчаються на даних про атоми та молекули, щоб прогнозувати поведінку нових матеріалів ще до проведення експериментів.

ШІ у фізиці та складних симуляціях

Модель ШІ, інформована фізикою, успішно передбачила результат експерименту з термоядерного синтезу. Наприклад, вчені з Національної лабораторії Лоуренса Лівермора використали ШІ для прогнозування успіху запуску синтезу за кілька днів до експерименту. Їхня модель, навчена на тисячах симуляцій і минулих експериментів, передбачила понад 70% ймовірність досягнення запалювання (чистого енергетичного виходу) до проведення експерименту.

Після запуску фактична кількість нейтронів потрапила у прогнозований ШІ діапазон, що демонструє здатність ШІ надавати надійні ймовірнісні прогнози складних фізичних експериментів.

Такий підхід – поєднання ШІ з фізичним моделюванням – не лише дав правильний прогноз, а й кількісно оцінив невизначеності, допомагаючи дослідникам оцінити ризики експерименту. Аналогічно, у дослідженнях гравітаційних хвиль ШІ навіть розробив нові конфігурації інтерферометрів (наприклад, додавання оптичної камери кілометрового масштабу) для підвищення чутливості детекторів – відкриття, які людські інженери раніше не помічали.

Автоматизація лабораторій на основі ШІ

Автоматизація лабораторій – ще одна сфера, де прогнози ШІ змінюють правила гри. Вчені уявляють собі повністю автоматизовані «фабрики відкриттів», де роботи проводять експерименти, а ШІ аналізує результати. Дослідники з UNC-Chapel Hill описують, як мобільні роботи можуть безперервно виконувати хімічні експерименти без втоми, дотримуючись точних протоколів значно послідовніше за людей.

Ці роботи генерують величезні набори даних, які ШІ миттєво сканує на предмет закономірностей і аномалій.

У такому сценарії класичний цикл «проектування – створення – тестування – аналіз» стає набагато швидшим і адаптивнішим: моделі ШІ можуть пропонувати наступний експеримент, оптимізувати умови в реальному часі та навіть планувати цілі експериментальні кампанії. Наприклад, команда UNC зазначає, що ШІ може виявляти перспективні нові сполуки або матеріали для тестування, ефективно вказуючи вченим, куди рухатися далі.

Автоматизуючи рутинні завдання, дослідники звільняються для постановки більш складних питань, а ШІ зосереджується на найбільш інформативних експериментах.

Переваги ШІ для наукових досліджень

Прогнозування на основі ШІ має величезні переваги для науки. Воно може прискорювати відкриття, звужуючи вибір експериментів, знижувати витрати, усуваючи безрезультатні спроби, і виявляти тонкі закономірності, які люди можуть пропустити. Інструменти, як AlphaFold2 від DeepMind, вже революціонізували біологію, прогнозуючи структури білків: AlphaFold2 точно змоделював 3D-структуру практично всіх приблизно 200 мільйонів білків, відомих науці.

Це означає, що експериментатори витрачають значно менше часу на трудомісткі дослідження рентгенівською кристалографією чи кріо-ЕМ і можуть зосередитися на вивченні нових білків.

Подібно, модель ESMBind з лабораторії Брукхейвена прогнозує, як рослинні білки зв’язують іони металів (наприклад, цинку чи заліза) і перевершує інші методи у визначенні сайтів зв’язування металів. Це прискорює дослідження біоенергетичних культур, вказуючи, які гени варто вивчати для поглинання поживних речовин.

У всіх випадках ШІ виступає як потужний інструмент відбору: він фільтрує величезний експериментальний «простір пошуку» до меншого набору найбільш ймовірних результатів або кандидатів.

Виклики та обмеження ШІ

Однак ці досягнення породжують і нові питання. Те, що ШІ може так добре прогнозувати багато результатів, свідчить про те, що наукові відкриття часто слідують знайомим закономірностям. Як зазначають дослідники UCL, «велика частина науки не є справді новою, а відповідає існуючим патернам» у літературі.

Це означає, що ШІ добре справляється з рутинними або поступовими відкриттями, але може мати труднощі з по-справжньому безпрецедентними явищами.

Експерти попереджають, що людська креативність і критичне мислення залишаються ключовими: рекомендації ШІ потребують ретельної експериментальної перевірки. Існують також проблеми упередженості даних (ШІ знає лише те, що бачив) та надмірної впевненості (моделі можуть помилятися, виходячи за межі навчання). Проте переваги, здається, переважають ризики: прогнози ШІ вже сприяли публікації проривних результатів у біології, хімії та фізиці.

Майбутнє ШІ у проєктуванні експериментів

Дивлячись уперед, ШІ та експерименти стануть ще тісніше пов’язаними. Вчені розробляють «фундаментальні моделі», адаптовані до наукових галузей (з використанням фізики, хімії чи геномних даних), щоб краще прогнозувати результати та навіть пропонувати інноваційні дизайни експериментів.

Незабаром дослідники уявляють собі, що можна буде ввести запропонований експеримент у інструмент ШІ і отримати розподіл ймовірностей можливих результатів.

Працюючи віртуально, команди зможуть оптимізувати експерименти ще до того, як взяти в руки піпетку чи лазер. Мета – гібридний робочий процес досліджень: ШІ швидко звужує коло перспективних гіпотез і шляхів, а людські вчені додають інтуїцію та глибоке розуміння для дослідження невідомого.

>>> Дізнайтеся більше: Штучний інтелект аналізує експериментальні дані

При правильній реалізації це партнерство може подвоїти або потроїти темпи відкриттів, вирішуючи великі виклики – від матеріалів для відновлюваної енергетики до персоналізованої медицини.

Як зазначив один із дослідників, ШІ стане «потужним інструментом у вашому арсеналі», який допоможе вченим проєктувати найефективніші експерименти та відкривати нові горизонти.