Lenguaje natural acorta búsquedas de IA para catalizadores, en simulación

Un químico escribe una frase sencilla en el sistema: «Aumentar la temperatura mejora el rendimiento». Dentro de la misma sesión, la IA ya ha cambiado el orden en que prueba las condiciones. Ese es el núcleo de un nuevo marco de trabajo del Instituto Coreano de Investigación en Tecnología Química (KRICT), descrito por el equipo del doctor Gwang-Noh Ahn como una forma de que los científicos transmitan su saber directamente a un laboratorio autónomo.

El mecanismo funciona en tres pasos. Un modelo de lenguaje de gran tamaño (LLM), el tipo de programa que lee y escribe texto cotidiano, convierte la observación del investigador en información previa estructurada y en restricciones. Un algoritmo de optimización bayesiana (BO), un método que pondera los resultados previos para elegir el experimento siguiente más prometedor, utiliza esa información para decidir la siguiente ejecución. Los resultados vuelven al ciclo, y el investigador puede modificar las indicaciones en lenguaje natural en cualquier momento. El equipo denomina al conjunto optimización con humano en el bucle (HILO, por sus siglas en inglés). Los equipos automatizados convencionales repiten procedimientos predefinidos; aquí, la IA decide qué experimento viene después.

El riesgo es evidente: una intuición errónea puede llevar a la IA en la dirección equivocada. Para evitarlo, el equipo añadió una salvaguarda que denomina detección adaptativa de credibilidad de los pesos (AWCD, por sus siglas en inglés). Compara el consejo con los datos experimentales y, cuando se acumulan suficientes pruebas contradictorias, desactiva la información previa engañosa y vuelve a una búsqueda basada únicamente en los datos. En pruebas con indicaciones deliberadamente incorrectas, los métodos convencionales no lograron encontrar las condiciones óptimas, mientras que el nuevo marco detectó el error y recuperó su rendimiento. Cuando el consejo es acertado, AWCD lo mantiene activo.

Las mejoras reportadas son de unas 30 a menos de 10 búsquedas para la reacción de Ugi, y de unas 20 a entre tres y cinco búsquedas para el compuesto P3HT-CNT. El equipo calcula que el efecto equivale a disponer de unos 40 puntos de datos experimentales de antemano, lo que podría ahorrar unos 20 días de exploración inicial en experimentos con catalizadores que requieren medio día o más por ejecución. Se trata de experimentos virtuales basados en datos reales, no de ejecuciones en un robot físico, y el equipo afirma que todavía debe validar el sistema en equipos de laboratorio autónomos físicos. No se indica una fecha para ese trabajo.

Para un grupo de investigación, el beneficio inmediato sería menos ejecuciones desperdiciadas en campos costosos como los catalizadores y los nuevos materiales, donde el equipo espera que el enfoque reduzca los tiempos y los costes de desarrollo. Como las indicaciones se escriben en lenguaje corriente, un químico sin conocimientos de programación podría dirigir la búsqueda, y una interfaz interactiva llamada Co-Scientist, que el equipo ha publicado, permite cambiar de rumbo durante una optimización. Si el método funciona con equipos reales y con problemas muy alejados de las dos reacciones probadas es lo que decidirán los próximos experimentos.