Kimyayı öğrenmek için birden fazla Chat GPT örneği birleştirildi

Yapay zekadaki hızlı ilerlemeye rağmen yapay zeka, bilim pratiğinde insanların yerini almaya hazır değil. Ancak bu, günlük bilimsel deneylerden kaynaklanan zorlu çalışmaların bir kısmını otomatikleştirmeye yardımcı olamayacakları anlamına gelmiyor. Örneğin, birkaç yıl önce araştırmacılar yapay zekayı otomatik laboratuvar ekipmanının kontrolüne verdi ve ona bir dizi ham madde arasında meydana gelebilecek tüm etkileşimleri kapsamlı bir şekilde nasıl sınıflandıracağını öğretti.

Her ne kadar bu yararlı olsa da, ilk etapta sistemi eğitmek için yine de araştırmacıların birçok müdahalesini gerektiriyor. Carnegie Mellon Üniversitesi’nden bir grup, yapay zeka sisteminin kimyayı nasıl kullanacağını kendi kendine öğretmesini sağlamayı başardı. Sistem, her biri farklı süreçlerde uzmanlaşmış üç yapay zeka örneğinden oluşan bir set gerektirir. Ancak, onu kurup hammaddeleri sağladığınızda, tek yapmanız gereken ona ne tür bir reaksiyon yapmak istediğinizi söylemektir, o da bunu çözecektir.

Yapay zeka üçlüsü

Araştırmacılar, büyük dilsel modellerin (LLM’ler) bilimsel çabaya sunabileceği yetenekleri anlamakla ilgilendiklerini belirtiyorlar. Yani bu çalışmada kullanılan tüm yapay zekalar LLM’lerdir, çoğunlukla GPT-3.5 ve GPT-4, ancak diğerleri -Claude 1.3 ve Falcon-40B-Instruct- da test edilmiştir. (GPT-4 ve Claude 1.3 en iyi performansı gösterdi.) Ancak kimyanın tüm yönlerini ele almak için tek bir sistem kullanmak yerine araştırmacılar, “kozmik dünya” adını verdikleri bir iş bölümü oluşturmak için farklı işbirliği örnekleri yarattılar.

Kullandıkları üç sistem şunlardır:

Web arayıcısı. Bunun iki ana yeteneği vardır. Bunlardan biri, içerdikleri bilgiler nedeniyle dikkate alınmaya değer olabilecek sayfaları bulmak için Google Arama API’sini kullanmaktır. İkincisi, bu sayfaları almak ve onlardan bilgi çıkarmaktır; bunun, Chat GPT’nin sonraki yanıtlarını bildirmek için tutabileceği bir konuşmanın önceki bölümlerinin bağlamına benzer olduğunu düşünün. Araştırmacılar bu birimin zamanını nerede geçirdiğini takip edebildi ve ziyaret ettiği yerlerin yaklaşık yarısı Wikipedia sayfalarıydı. Ziyaret edilen ilk beş site arasında hem American Chemical Society hem de Royal Society of Chemistry tarafından yayınlanan dergiler yer aldı.

Dokümantasyon araştırmacısı. Bunu şu şekilde düşün rtfm Örnek. Yapay zekaya, genellikle özel komutlar veya Python API gibi bir şey aracılığıyla kontrol edilen, otomatik sıvı işleyiciler ve benzerleri gibi çeşitli laboratuvar otomasyon ekipmanlarının kontrolü verilecekti. Bu yapay zeka örneğine, söz konusu cihazın tüm kılavuzlarına erişim izni verildi ve böylece cihazın onu nasıl kontrol edeceğini öğrenmesi sağlandı.

bir plan. Planlayıcı, yapay zekanın diğer her iki örneğine de komutlar verebilir ve yanıtlarını işleyebilir. Hesaplamalar yapmasına olanak tanıyan bir Python kod yürütme sanal alanına erişimi vardır. Ayrıca, deneyleri sanal olarak yürütmesine ve analiz etmesine olanak tanıyan otomatik laboratuvar ekipmanına da erişimi var. Yani planlamacıyı, bir kimyager gibi hareket etmesi, literatürden öğrenmesi ve öğrendiklerini uygulamak için ekipmanı kullanmaya çalışması gereken sistemin bir parçası olarak düşünebilirsiniz.

Planlayıcı ayrıca programlama hatalarının ne zaman ortaya çıktığını (Python komut dosyalarında veya otomatik makineleri kontrol etme girişimlerinde) tanımlayarak hatalarını düzeltmesine olanak tanıyabilir.

Sistemi devreye alın

Başlangıçta sistemden, asetaminofen ve ibuprofen gibi bir dizi kimyasalı sentezlemesi istendi; bu da, internette ve bilimsel literatürde arama yaptıktan sonra genel olarak uygulanabilir bir formülasyon keşfedebileceğini doğruladı. Dolayısıyla soru, sistemin erişebildiği cihazları kavramsal kapasitesini tetikleyecek kadar iyi tespit edip edemediğidir.

Basit bir şeyle başlamak için araştırmacılar, dikdörtgen bir ızgara şeklinde düzenlenmiş bir dizi küçük kuyu içeren standart bir numune plakası kullandılar. Sistemden kareleri, çapraz çizgileri veya diğer desenleri farklı renkli sıvılar kullanarak doldurması istendi ve bunu etkili bir şekilde başardı.

Devam ederek kuyu ağındaki rastgele yerlere üç farklı renkli çözüm yerleştirdiler; Sistemden kuyucukları ve bunların ne renk olduğunu tanımlaması istendi. Coscientist kendi başına bunu nasıl yapacağını bilmiyordu. Ancak farklı renklerin farklı soğurma spektrumları göstereceği kendisine hatırlatıldığında, erişimi olan bir spektrometreyi kullandı ve farklı renkleri tanımlayabildi.

Temel komuta ve kontrolün işe yaradığı göz önüne alındığında, araştırmacılar biraz kimya denemeye karar verdiler. Numune plakasını basit kimyasallar, katalizörler ve benzerleriyle dolu kuyucuklarla yerleştirdiler ve ondan belirli bir kimyasal reaksiyon gerçekleştirmesini istediler. Kozmolog kimyayı en başından beri doğru anlamıştı, ancak sentezi çalıştırma girişimleri başarısız oldu çünkü bu, reaksiyonları ısıtan ve yönlendiren makinelere geçersiz bir komut gönderdi. Bu onu dokümantasyon modülüne geri getirerek sorunu düzeltmesine ve etkileşimleri yürütmesine olanak tanıdı.

Ve işe yaradı. İstenilen ürünlerin spektral parmak izleri reaksiyon karışımında mevcuttu ve bunların varlığı kromatografiyle doğrulandı.

geliştirmek

Temel reaksiyonların çalışmasıyla birlikte araştırmacılar sistemden reaksiyonun verimliliğini optimize etmesini istediler ve optimizasyon sürecini, reaksiyonun sonucuna göre puanın arttığı bir oyun olarak sundular.

Sistem, test geribildiriminin ilk turunda bazı kötü tahminlerde bulundu ancak hızla daha iyi getiri elde etmeye odaklandı. Araştırmacılar ayrıca, Coscientist’e birkaç rastgele başlangıç ​​karışımından elde edilen sonuçlar hakkında bilgi sağlayarak ilk turda kötü seçimlerden kaçınabileceklerini de buldular. Bu, bir Coscientist’in bilgiyi nereden aldığına bakmaksızın (ister kendi geri bildiriminden ister harici bir bilgi kaynağından olsun), bilgiyi kendi planlamasına dahil edebileceği anlamına gelir.

Araştırmacılar, Coscientist’in bir dizi dikkate değer yeteneğe sahip olduğu sonucuna vardı:

• Genel bilgileri kullanarak kimyasal sentezin planlanması.
• Karmaşık cihazlara yönelik teknik kılavuzlarda gezinin ve işleyin.
• Bu bilgiyi çeşitli laboratuvar ekipmanlarını kontrol etmek için kullanın.
• Bu enstrümantasyon yeteneklerini laboratuvar iş akışınıza entegre edin.
• Tepkilerini analiz edin ve bu bilgiyi iyileştirilmiş reaksiyon koşulları tasarlamak için kullanın.

Birçok yönden bu, bir öğrencinin yüksek lisans eğitiminin ilk yılında yaşayabileceği deneyime benziyor. İdeal olarak, yüksek lisans öğrencisi bunun ötesine geçecektir. Ama belki GPT-5 de bunu yapabilir.

Daha da tehlikelisi, bir dizi özel sistemin etkileşimine dayanan bilim adamı mimarisinin zihinlerin çalışma şekline benzer olmasıdır. Açıkça görülüyor ki, uzmanlaşmış beyin sistemleri çok çeşitli aktiviteleri gerçekleştirme kapasitesine sahiptir ve bunlardan çok sayıda vardır. Ancak bu tür bir yapı, daha karmaşık davranışları mümkün kılmak açısından kritik öneme sahip olabilir.

Ancak araştırmacıların kendisi de bilim insanının bazı yeteneklerinden endişe duyuyor. Üretiminin daha kolay olduğunu görmek istemediğimiz pek çok kimyasal var (sinir gazları gibi şeyleri düşünün). GPT örneklerine bir şeyi yapmamalarını nasıl söyleyeceğinizi bulmak sürekli bir zorluk haline geliyor.

doğa2023. Dijital Kimlik: 10.1038/s41586-023-06792-0 (Dijital kimlikler hakkında).