Apesar do rápido progresso na inteligência artificial, a IA não está perto de estar pronta para substituir os humanos na prática da ciência. Mas isso não significa que eles não possam ajudar a automatizar parte do trabalho árduo resultante dos experimentos científicos diários. Por exemplo, há alguns anos, investigadores colocaram a inteligência artificial no controlo de equipamentos automatizados de laboratório e ensinaram-na a classificar de forma abrangente todas as interações que poderiam ocorrer entre um conjunto de matérias-primas.
Embora isto seja útil, ainda requer muita intervenção dos investigadores para treinar o sistema. Um grupo da Universidade Carnegie Mellon descobriu agora como fazer um sistema de inteligência artificial aprender sozinho como lidar com a química. O sistema requer um conjunto de três instâncias de IA, cada uma especializada em processos diferentes. Mas, depois de configurá-lo e fornecer a matéria-prima, tudo o que você precisa fazer é dizer que tipo de reação deseja fazer, e ele descobrirá.
Trindade da inteligência artificial
Os investigadores observam que estão interessados em compreender as capacidades que os grandes modelos linguísticos (LLMs) podem oferecer ao esforço científico. Portanto, todas as IAs utilizadas neste trabalho são LLMs, principalmente GPT-3.5 e GPT-4, embora outras -Claude 1.3 e Falcon-40B-Instruct- também tenham sido testadas. (GPT-4 e Claude 1.3 tiveram melhor desempenho.) Mas em vez de utilizarem um único sistema para lidar com todos os aspectos da química, os investigadores criaram instâncias distintas de colaboração no estabelecimento de uma divisão de trabalho a que chamaram “mundo cósmico”.
Os três sistemas que eles usaram são:
Pesquisador da web. Isso tem dois recursos principais. Uma delas é usar a API de pesquisa do Google para encontrar páginas que possam valer a pena absorver devido às informações que contêm. A segunda é ingerir essas páginas e extrair informações delas – pense nisso como semelhante ao contexto de conversas anteriores que o Chat GPT pode reter para informar suas respostas posteriores. Os pesquisadores conseguiram rastrear onde esta unidade passava seu tempo, e cerca de metade dos lugares visitados eram páginas da Wikipedia. Os cinco principais sites visitados incluíram periódicos publicados pela American Chemical Society e pela Royal Society of Chemistry.
Pesquisador de documentação. Pense nisso como rtfm Exemplo. A IA deveria receber o controle de vários equipamentos de automação de laboratório, como manipuladores automatizados de líquidos e similares, que muitas vezes seriam controlados por meio de comandos especializados ou algo como uma API Python. Esta instância de IA recebeu acesso a todos os manuais desse dispositivo, permitindo-lhe aprender como controlá-lo.
um plano. O planejador pode emitir comandos para outras instâncias da IA e processar suas respostas. Possui acesso a uma sandbox de execução de código Python, permitindo realizar cálculos. Ele também tem acesso a equipamentos de laboratório automatizados, permitindo-lhe conduzir e analisar experimentos virtualmente. Então você pode pensar no planejador como parte do sistema que tem que agir como um químico, aprendendo com a literatura e tentando usar o equipamento para implementar o que aprendeu.
O planejador também pode identificar quando ocorrem erros de programação (seja em scripts Python ou em suas tentativas de controlar máquinas automatizadas), permitindo corrigir seus erros.
Coloque o sistema em uso
Inicialmente, o sistema foi solicitado a sintetizar uma série de produtos químicos, como paracetamol e ibuprofeno, confirmando que geralmente poderia descobrir uma formulação viável após pesquisar na web e na literatura científica. Portanto, a questão é se o sistema é capaz de detectar os dispositivos aos quais tem acesso bem o suficiente para acionar sua capacidade conceitual.
Para começar com algo simples, os pesquisadores usaram uma placa de amostra padrão, contendo uma série de pequenos poços dispostos em uma grade retangular. O sistema foi solicitado a preencher quadrados, linhas diagonais ou outros padrões usando líquidos de cores diferentes e foi capaz de fazê-lo de forma eficaz.
Seguindo em frente, eles colocaram três soluções de cores diferentes em locais aleatórios na rede de poços; O sistema foi solicitado a identificar os poços e de que cor eles eram. Por si só, o Coscientist não sabia como fazer isso. Mas quando foi lembrado de que cores diferentes apresentariam espectros de absorção diferentes, ele usou um espectrômetro ao qual teve acesso e conseguiu identificar as diferentes cores.
Com o comando e controle básicos aparentemente funcionando, os pesquisadores decidiram tentar um pouco de química. Eles equiparam a placa de amostra com poços cheios de produtos químicos simples, catalisadores e similares, e pediram que ela realizasse uma reação química específica. O cosmólogo acertou a química desde o início, mas suas tentativas de fazer a síntese funcionar falharam porque enviou um comando inválido às máquinas que aquecem e conduzem as reações. Isso o trouxe de volta ao módulo de documentação, permitindo corrigir o problema e executar as interações.
E funcionou. Impressões digitais espectrais dos produtos desejados estavam presentes na mistura reacional e a sua presença foi confirmada por cromatografia.
melhorar
Com as reações básicas funcionando, os pesquisadores pediram então ao sistema que otimizasse a eficiência da reação e apresentaram o processo de otimização como um jogo onde a pontuação subia com o resultado da reação.
O sistema fez algumas suposições erradas na primeira rodada de feedback do teste, mas rapidamente se concentrou em obter melhores retornos. Os pesquisadores também descobriram que poderiam evitar escolhas erradas na primeira rodada, fornecendo ao Coscientista informações sobre os resultados gerados por algumas misturas iniciais aleatórias. Isto significa que não importa de onde um Coscientista obtenha a sua informação – seja do seu próprio feedback ou de alguma fonte externa de informação – ele é capaz de incorporar a informação no seu planeamento.
Os pesquisadores concluíram que o Coscientista possui várias habilidades notáveis:
- Planejando a síntese química usando informações gerais
- Navegue e processe manuais técnicos para dispositivos complexos
- Use esse conhecimento para controlar uma variedade de equipamentos de laboratório
- Integre esses recursos de instrumentação ao fluxo de trabalho do seu laboratório
- Analise suas reações e use essas informações para projetar melhores condições de reação.
Em muitos aspectos, isso soa como a experiência que um aluno pode ter no primeiro ano da pós-graduação. Idealmente, o estudante de pós-graduação irá progredir além disso. Mas talvez o GPT-5 também consiga.
Ainda mais perigoso é que a arquitetura cocientista, que depende da interação de uma série de sistemas especializados, é semelhante à forma como as mentes funcionam. Claramente, sistemas cerebrais especializados são capazes de realizar uma ampla gama de atividades, e existem muitas delas. Mas este tipo de estrutura pode ser fundamental para permitir um comportamento mais complexo.
No entanto, os próprios pesquisadores estão preocupados com algumas das habilidades do cocientista. Existem muitos produtos químicos (pense em coisas como agentes nervosos) que não queremos que sejam mais fáceis de fabricar. Descobrir como dizer às instâncias GPT para não fazerem algo tornou-se um desafio constante.
Natureza, 2023. DOI: 10.1038/s41586-023-06792-0 (Sobre IDs digitais).
“Aficionado por música. Jogador. Praticante de álcool. Leitor profissional. Estudioso da web.”