Làm thế nào AI dự đoán kết quả thí nghiệm để giúp rút ngắn thời gian nghiên cứu, giảm chi phí và nâng cao hiệu quả? Hãy cùng tìm hiểu chi tiết hơn với INVIAI trong bài viết này!

Cách AI lập kế hoạch và phân tích thí nghiệm

Trí tuệ nhân tạo (AI) đang thay đổi cách các nhà khoa học lên kế hoạch và giải thích các thí nghiệm. Bằng cách học các mẫu từ lượng dữ liệu khổng lồ – từ các bài báo nghiên cứu đến kết quả mô phỏng – các mô hình AI có thể dự báo kết quả có khả năng xảy ra của các thí nghiệm mới.

Ví dụ, các mô hình ngôn ngữ lớn (LLMs) được đào tạo trên tài liệu khoa học đã chứng minh khả năng “chắt lọc các mẫu” giúp họ dự đoán kết quả khoa học với độ chính xác vượt trội.

Trong một nghiên cứu gần đây, các công cụ AI đã dự đoán chính xác kết quả của các thí nghiệm thần kinh học được đề xuất nhiều hơn so với các chuyên gia con người. Những dự đoán do AI điều khiển này hứa hẹn sẽ giảm thiểu thử và sai, tiết kiệm thời gian và nguồn lực trong phòng thí nghiệm.

Các nhà nghiên cứu đã sử dụng AI như một “phi công phụ” cho khoa học. Trong một kết quả đột phá, một AI “đồng nhà khoa học” dựa trên mô hình LLM của Google Research đã phát hiện lại một cơ chế sinh học phức tạp ở vi khuẩn: giả thuyết hàng đầu của nó đã hoàn toàn trùng khớp với quá trình chuyển gen được xác nhận bằng thực nghiệm. Nói cách khác, AI đã độc lập đề xuất câu trả lời chính xác cho một câu hỏi mà các nhà khoa học con người mất nhiều năm để giải quyết.

Các tác giả kết luận rằng AI như vậy có thể hoạt động “không chỉ như một công cụ mà còn như một động lực sáng tạo, thúc đẩy khám phá nhanh hơn”.

Tương tự, một nhóm nghiên cứu do UCL dẫn đầu đã chứng minh rằng các LLM thông thường (và một mô hình chuyên biệt “BrainGPT”) có thể dự đoán kết quả các nghiên cứu thần kinh học với độ chính xác cao hơn nhiều so với các nhà thần kinh học con người. Các LLM đạt tỷ lệ thành công trung bình 81% trong việc chọn đúng kết quả đã công bố, trong khi các chuyên gia chỉ đạt 63–66%. Điều này cho thấy AI có thể nhận diện các mẫu trong tài liệu và đưa ra dự đoán mang tính tiên đoán vượt ra ngoài việc tra cứu thông tin đơn thuần.

Ứng dụng AI trong các lĩnh vực khoa học

Sinh học

AI đang tạo ra bước tiến trong nhiều lĩnh vực. Trong sinh học, một mô hình nền tảng mới được đào tạo trên dữ liệu từ hơn một triệu tế bào và học được “ngữ pháp” của biểu hiện gen. Nó có thể dự đoán gen nào sẽ hoạt động trong bất kỳ loại tế bào người nào, và các dự đoán này gần như trùng khớp với các phép đo trong phòng thí nghiệm.

Trong một bản trình diễn, AI đã dự đoán chính xác cách các đột biến gây bệnh bạch cầu di truyền làm gián đoạn mạng lưới điều hòa của tế bào – một dự đoán sau đó được xác nhận bằng thực nghiệm.

Hóa học

Trong hóa học, các nhà nghiên cứu tại MIT đã phát triển một mô hình gọi là FlowER dự đoán kết quả phản ứng hóa học một cách thực tế hơn bằng cách áp dụng các ràng buộc vật lý (như bảo toàn khối lượng và electron). AI nhận biết ràng buộc này đã cải thiện đáng kể độ chính xác và độ tin cậy trong dự đoán sản phẩm phản ứng.

Các nền tảng AI như RXN for Chemistry của IBM cũng sử dụng học sâu để lập bản đồ “ngôn ngữ hóa học” và dự đoán kết quả phản ứng, giúp các nhà hóa học khám phá các phản ứng mới nhanh hơn nhiều so với phương pháp thử và sai.

Khoa học vật liệu

Trong khoa học vật liệu, các mô hình nền tảng AI mới nổi (như MatterGen/MatterSim của Microsoft) được đào tạo trên dữ liệu về nguyên tử và phân tử để dự đoán cách các vật liệu mới sẽ hoạt động trước khi bất kỳ thí nghiệm nào được tiến hành.

AI trong vật lý và mô phỏng nâng cao

Một mô hình AI dựa trên kiến thức vật lý đã thành công trong việc dự báo kết quả của một thí nghiệm tổng hợp hạt nhân. Ví dụ, các nhà khoa học tại Phòng thí nghiệm Quốc gia Lawrence Livermore đã sử dụng một khung AI để dự đoán thành công của một lần kích hoạt tổng hợp hạt nhân trước vài ngày. Mô hình của họ, được đào tạo trên hàng nghìn mô phỏng và thí nghiệm trước đó, dự đoán khả năng đạt được kích hoạt (thu được năng lượng ròng) trên 70% trước khi thí nghiệm diễn ra.

Sau lần kích hoạt, sản lượng neutron thực tế nằm trong phạm vi dự đoán của AI, chứng minh rằng AI có thể cung cấp dự báo xác suất đáng tin cậy cho các thí nghiệm vật lý phức tạp.

Phương pháp này – kết hợp AI với mô phỏng vật lý – không chỉ cho ra dự đoán chính xác mà còn định lượng được độ không chắc chắn, giúp các nhà nghiên cứu đánh giá rủi ro thí nghiệm. Tương tự, trong nghiên cứu sóng hấp dẫn, AI còn thiết kế các cấu hình giao thoa kế mới (như thêm buồng quang học quy mô kilômét) để nâng cao độ nhạy của thiết bị – những phát hiện mà các kỹ sư con người đã bỏ qua.

Tự động hóa phòng thí nghiệm do AI điều khiển

Tự động hóa phòng thí nghiệm là một lĩnh vực khác mà dự đoán của AI đang tạo ra bước ngoặt. Các nhà khoa học hình dung ra các “nhà máy khám phá” hoàn toàn tự động, nơi robot thực hiện thí nghiệm và AI phân tích kết quả. Các nhà nghiên cứu tại UNC-Chapel Hill mô tả cách các robot di động có thể thực hiện thí nghiệm hóa học liên tục, không mệt mỏi, thực hiện các quy trình chính xác và nhất quán hơn nhiều so với con người.

Những robot này tạo ra các bộ dữ liệu khổng lồ mà AI có thể quét ngay lập tức để tìm các mẫu và bất thường.

Trong tầm nhìn này, chu trình thiết kế – thực hiện – kiểm tra – phân tích truyền thống trở nên nhanh hơn và linh hoạt hơn: các mô hình AI có thể đề xuất thí nghiệm tiếp theo, tối ưu điều kiện theo thời gian thực, và thậm chí lên kế hoạch toàn bộ chiến dịch thí nghiệm. Ví dụ, nhóm UNC lưu ý rằng AI có thể xác định các hợp chất hoặc vật liệu mới đầy hứa hẹn để thử nghiệm, giúp các nhà khoa học biết nên tập trung vào đâu tiếp theo.

Bằng cách tự động hóa các công việc thường nhật, các nhà nghiên cứu được giải phóng để đặt ra các câu hỏi cấp cao hơn, trong khi AI tập trung vào những thí nghiệm mang lại nhiều thông tin nhất.

Lợi ích của AI đối với nghiên cứu khoa học

Dự đoán do AI điều khiển mang lại lợi ích to lớn cho khoa học. Nó có thể thúc đẩy khám phá nhanh hơn bằng cách thu hẹp lựa chọn thí nghiệm, giảm chi phí bằng cách loại bỏ các thử nghiệm vô ích, và phát hiện các mẫu tinh vi mà con người có thể bỏ qua. Các công cụ như AlphaFold2 của DeepMind đã cách mạng hóa sinh học bằng cách dự đoán cấu trúc protein: AlphaFold2 mô hình hóa chính xác cấu trúc 3D của gần như tất cả khoảng 200 triệu protein được biết đến trong khoa học.

Điều này giúp các nhà thực nghiệm giảm đáng kể thời gian dành cho các nghiên cứu X-quang hoặc cryo-EM tốn công sức và tập trung vào các protein mới.

Tương tự, mô hình ESMBind của Phòng thí nghiệm Brookhaven dự đoán cách các protein thực vật liên kết với các ion kim loại (như kẽm hoặc sắt) và vượt trội hơn các phương pháp khác trong việc xác định các vị trí liên kết kim loại. Điều này thúc đẩy nghiên cứu cây năng lượng sinh học bằng cách xác định các gen cần nghiên cứu để hấp thụ dinh dưỡng.

Trong mọi trường hợp, AI đóng vai trò như một công cụ sàng lọc mạnh mẽ: nó lọc không gian tìm kiếm thí nghiệm rộng lớn thành một tập hợp nhỏ các kết quả hoặc ứng viên có xác suất cao.

Thách thức và giới hạn của AI

Tuy nhiên, những tiến bộ này cũng đặt ra các câu hỏi mới. Việc AI có thể dự đoán nhiều kết quả rất chính xác cho thấy các phát hiện khoa học thường tuân theo các mẫu quen thuộc. Như các nhà nghiên cứu UCL lưu ý, “phần lớn khoa học không thực sự mới mẻ, mà tuân theo các mẫu đã có” trong tài liệu.

Điều này có nghĩa AI xuất sắc trong các khám phá thường xuyên hoặc mang tính gia tăng nhưng có thể gặp khó khăn với các hiện tượng hoàn toàn chưa từng có.

Các chuyên gia cảnh báo rằng sự sáng tạo và tư duy phản biện của con người vẫn rất quan trọng: các đề xuất của AI cần được xác thực kỹ lưỡng bằng thực nghiệm. Cũng tồn tại các thách thức về thiên lệch dữ liệu (AI chỉ biết những gì nó đã học) và sự tự tin quá mức (mô hình có thể sai khi bị đẩy ra ngoài phạm vi đào tạo). Tuy nhiên, lợi ích dường như vượt trội hơn rủi ro: các dự đoán của AI đã thúc đẩy các đột phá được công bố trong sinh học, hóa học và vật lý.

Tương lai của AI trong thiết kế thí nghiệm

Nhìn về phía trước, AI và thí nghiệm sẽ ngày càng gắn bó chặt chẽ hơn. Các nhà khoa học đang phát triển các “mô hình nền tảng” được tùy chỉnh cho các lĩnh vực khoa học (sử dụng dữ liệu vật lý, hóa học hoặc gen) để có thể dự báo kết quả tốt hơn và thậm chí đề xuất các thiết kế thí nghiệm sáng tạo.

Trong tương lai gần, các nhà nghiên cứu tưởng tượng việc nhập một thí nghiệm đề xuất vào công cụ AI và nhận lại phân phối xác suất các kết quả có thể xảy ra.

Bằng cách lặp lại trên máy tính, các nhóm có thể tối ưu hóa thí nghiệm trước khi chạm đến pipet hay laser. Mục tiêu là một quy trình nghiên cứu kết hợp: AI nhanh chóng thu hẹp các giả thuyết và hướng đi tiềm năng, trong khi các nhà khoa học mang đến trực giác và sự hiểu biết để khám phá những điều chưa biết.

>>> Tìm hiểu thêm: AI phân tích dữ liệu thí nghiệm

Khi được thực hiện tốt, sự hợp tác này có thể nhân đôi hoặc gấp ba tốc độ khám phá, giải quyết các thách thức lớn từ vật liệu năng lượng tái tạo đến y học cá nhân hóa.

Như một nhà nghiên cứu từng nói, AI sẽ trở thành “một công cụ mạnh mẽ trong kho vũ khí của bạn” giúp các nhà khoa học thiết kế các thí nghiệm hiệu quả nhất và mở ra những chân trời mới.