Consigli in linguaggio naturale riducono le prove dell'IA, in simulazione

Un chimico digita nel sistema una frase semplice: «Aumentare la temperatura migliora la resa». Nella stessa sessione, l'IA ha già modificato l'ordine in cui testa le condizioni. È il cuore di una nuova struttura sviluppata dal Korea Research Institute of Chemical Technology (KRICT), che il team del dottor Gwang-Noh Ahn descrive come un modo per permettere agli scienziati di trasferire direttamente il proprio know-how a un laboratorio autonomo.

Il meccanismo funziona in tre fasi. Un modello linguistico di grandi dimensioni (LLM), il tipo di programma che legge e scrive testi di uso comune, converte l'osservazione del ricercatore in informazioni a priori strutturate e vincoli. Un algoritmo di ottimizzazione bayesiana (BO), un metodo che pesa i risultati passati per scegliere il prossimo esperimento più promettente, usa queste informazioni per determinare la prova successiva. I risultati rientrano nel ciclo, e il ricercatore può modificare le indicazioni in linguaggio naturale in qualsiasi momento. Il team chiama l'intero approccio ottimizzazione «human-in-the-loop» (HILO). Le apparecchiature automatiche tradizionali ripetono procedure predefinite; qui è l'IA a decidere quale esperimento viene dopo.

Il rischio è evidente: un'intuizione sbagliata può spingere l'IA nella direzione sbagliata. Per affrontarlo, il team ha aggiunto una salvaguardia che chiama rilevamento adattivo della credibilità dei pesi (AWCD). Il sistema confronta il consiglio con i dati sperimentali e, quando si accumulano abbastanza prove contrarie, disattiva l'informazione a priori fuorviante e torna a una ricerca basata esclusivamente sui dati. Nei test con indicazioni volutamente errate, i metodi tradizionali non sono riusciti a trovare le condizioni ottimali, mentre la nuova struttura ha individuato l'errore e ripristinato le prestazioni. Quando il consiglio è corretto, AWCD lo mantiene attivo.

I guadagni riportati sono da circa 30 a meno di 10 ricerche per la reazione di Ugi, e da circa 20 a tre-cinque ricerche per il composito P3HT-CNT. Il team stima che l'effetto equivalga a disporre in anticipo di circa 40 punti dati sperimentali, il che potrebbe far risparmiare circa 20 giorni di esplorazione iniziale negli esperimenti sui catalizzatori, che richiedono mezza giornata o più per ogni prova. Si tratta di esperimenti virtuali basati su dati reali, non di prove su un robot fisico, e il team dichiara di dover ancora validare il sistema su apparecchiature reali di laboratorio autonomo. Per questo lavoro non è indicata alcuna data.

Per un gruppo di ricerca, il vantaggio immediato sarebbe meno prove sprecate in settori costosi come i catalizzatori e i nuovi materiali, dove il team prevede che l'approccio possa ridurre tempi e costi di sviluppo. Poiché le indicazioni sono scritte in linguaggio comune, un chimico senza competenze di programmazione potrebbe guidare la ricerca, e un'interfaccia interattiva chiamata Co-Scientist, che il team ha rilasciato, consente di cambiare direzione durante un'ottimizzazione. Se tutto questo reggerà su apparecchiature reali, e su problemi molto diversi dalle due reazioni testate, lo diranno i prossimi esperimenti.