Beberapa instance GPT Obrolan digabungkan untuk mempelajari kimia

Meskipun kemajuan pesat dalam kecerdasan buatan, AI masih belum siap menggantikan manusia dalam praktik sains. Namun bukan berarti mereka tidak bisa membantu mengotomatiskan beberapa kerja keras yang dihasilkan dari eksperimen ilmiah sehari-hari. Misalnya, beberapa tahun yang lalu, para peneliti menggunakan kecerdasan buatan untuk mengendalikan peralatan laboratorium otomatis dan mengajarkannya cara mengklasifikasikan secara komprehensif semua interaksi yang dapat terjadi antara sekumpulan bahan mentah.

Meskipun hal ini berguna, namun masih memerlukan banyak intervensi dari para peneliti untuk melatih sistemnya. Sebuah kelompok dari Universitas Carnegie Mellon kini telah menemukan cara untuk membuat sistem kecerdasan buatan mengajarkan dirinya sendiri cara menangani kimia. Sistem ini memerlukan satu set tiga instance AI, yang masing-masing berspesialisasi dalam proses berbeda. Namun, setelah Anda menyiapkannya dan menyediakan bahan mentahnya, yang harus Anda lakukan hanyalah memberi tahu jenis reaksi apa yang ingin Anda lakukan, dan ia akan mengetahuinya.

Tritunggal kecerdasan buatan

Para peneliti mencatat bahwa mereka tertarik untuk memahami kemampuan yang dapat ditawarkan oleh model linguistik besar (LLM) untuk upaya ilmiah. Jadi semua AI yang digunakan dalam pekerjaan ini adalah LLM, sebagian besar GPT-3.5 dan GPT-4, meskipun yang lain -Claude 1.3 dan Falcon-40B-Instruct- juga telah diuji. (GPT-4 dan Claude 1.3 memiliki performa terbaik.) Namun alih-alih menggunakan sistem tunggal untuk menangani semua aspek kimia, para peneliti menciptakan contoh kolaborasi yang berbeda dalam membentuk pembagian kerja yang mereka sebut “dunia kosmik”.

Tiga sistem yang mereka gunakan adalah:

pencari web. Ini memiliki dua kemampuan utama. Salah satunya adalah dengan menggunakan Google Search API untuk menemukan halaman yang mungkin layak untuk diserap karena informasi yang dikandungnya. Yang kedua adalah menyerap halaman-halaman tersebut dan mengekstrak informasi darinya – anggaplah hal ini analog dengan konteks bagian percakapan sebelumnya yang dapat disimpan oleh Chat GPT untuk menginformasikan jawaban selanjutnya. Para peneliti dapat melacak di mana unit ini menghabiskan waktunya, dan sekitar setengah dari tempat yang dikunjungi adalah halaman Wikipedia. Lima situs teratas yang dikunjungi termasuk jurnal yang diterbitkan oleh American Chemical Society dan Royal Society of Chemistry.

Peneliti dokumentasi. Anggap saja ini sebagai rtfm Contoh. AI akan diberi kendali atas berbagai peralatan otomasi laboratorium, seperti penangan cairan otomatis dan sejenisnya, sering kali dikendalikan baik melalui perintah khusus atau sesuatu seperti API Python. Mesin virtual AI ini telah diberi akses ke semua manual untuk perangkat tersebut, sehingga memungkinkannya mempelajari cara mengendalikannya.

sebuah rencana. Perencana dapat mengeluarkan perintah ke kedua instance AI lainnya dan memproses responsnya. Ia memiliki akses ke sandbox eksekusi kode Python, yang memungkinkannya melakukan perhitungan. Dia juga memiliki akses ke peralatan laboratorium otomatis, yang memungkinkan dia melakukan dan menganalisis eksperimen secara virtual. Jadi Anda dapat menganggap perencana sebagai bagian dari sistem yang harus bertindak seperti seorang ahli kimia, belajar dari literatur dan mencoba menggunakan peralatan tersebut untuk mengimplementasikan apa yang telah dipelajarinya.

Perencana juga dapat mengidentifikasi kapan kesalahan pemrograman terjadi (baik dalam skrip Python atau dalam upayanya mengendalikan mesin otomatis), sehingga memungkinkannya untuk memperbaiki kesalahannya.

Gunakan sistem tersebut

Awalnya, sistem diminta untuk mensintesis sejumlah bahan kimia seperti asetaminofen dan ibuprofen, yang mengonfirmasi bahwa sistem tersebut secara umum dapat menemukan formulasi yang layak setelah menelusuri web dan literatur ilmiah. Jadi pertanyaannya adalah apakah sistem mampu mendeteksi perangkat yang dapat diakses dengan cukup baik untuk memicu kapasitas konseptualnya.

Untuk memulai dengan sesuatu yang sederhana, para peneliti menggunakan pelat sampel standar, yang berisi serangkaian sumur kecil yang disusun dalam kotak persegi panjang. Sistem diminta untuk mengisi kotak, garis diagonal, atau pola lain menggunakan cairan berwarna berbeda dan mampu melakukannya secara efektif.

Selanjutnya, mereka menempatkan tiga larutan berwarna berbeda di lokasi acak di jaringan sumur; Sistem diminta untuk mengidentifikasi sumur dan warnanya. Dengan sendirinya, Coscientist tidak tahu bagaimana melakukan hal ini. Namun ketika dia diingatkan bahwa warna yang berbeda akan menunjukkan spektrum serapan yang berbeda, dia menggunakan spektrometer yang dapat dia akses dan mampu mengidentifikasi warna yang berbeda tersebut.

Karena perintah dan kontrol dasar tampaknya berhasil, para peneliti memutuskan untuk mencoba beberapa ilmu kimia. Mereka melengkapi pelat sampel dengan lubang berisi bahan kimia sederhana, katalis, dan sejenisnya, dan memintanya untuk melakukan reaksi kimia tertentu. Kosmolog sudah memahami ilmu kimia sejak awal, namun upayanya agar sintesis berhasil gagal karena ia mengirimkan perintah yang tidak valid ke mesin yang memanaskan dan menggerakkan reaksi. Ini membawanya kembali ke modul dokumentasi, memungkinkan dia memperbaiki masalah dan menjalankan interaksi.

Dan itu berhasil. Sidik jari spektral dari produk yang diinginkan terdapat dalam campuran reaksi, dan keberadaannya dikonfirmasi dengan kromatografi.

meningkatkan

Dengan reaksi dasar yang berjalan, para peneliti kemudian meminta sistem untuk mengoptimalkan efisiensi reaksi, dan mereka menyajikan proses optimasi sebagai permainan di mana skor meningkat seiring dengan hasil reaksi.

Sistem membuat beberapa tebakan buruk pada putaran pertama umpan balik pengujian, namun dengan cepat fokus untuk mencapai hasil yang lebih baik. Para peneliti juga menemukan bahwa mereka dapat menghindari pilihan yang buruk di putaran pertama dengan memberikan informasi kepada Coscientist tentang hasil yang dihasilkan oleh beberapa campuran awal yang acak. Artinya, dari mana pun seorang Coscientist mendapatkan informasinya – baik dari umpan baliknya sendiri atau dari sumber informasi eksternal – ia dapat memasukkan informasi tersebut ke dalam perencanaannya.

Para peneliti menyimpulkan bahwa Coscientist memiliki sejumlah kemampuan penting:

• Merencanakan sintesis kimia menggunakan informasi umum.
• Menavigasi dan memproses manual teknis untuk perangkat yang kompleks.
• Gunakan pengetahuan itu untuk mengendalikan berbagai peralatan laboratorium.
• Integrasikan kemampuan instrumentasi ini ke dalam alur kerja laboratorium Anda.
• Analisis reaksinya dan gunakan informasi tersebut untuk merancang kondisi reaksi yang lebih baik.

Dalam banyak hal, ini terdengar seperti pengalaman yang mungkin dialami seorang siswa di tahun pertama sekolah pascasarjana. Idealnya, mahasiswa pascasarjana akan mengalami kemajuan lebih dari itu. Tapi mungkin GPT-5 juga bisa.

Yang lebih berbahaya lagi adalah arsitektur koscientist, yang mengandalkan interaksi sejumlah sistem khusus, serupa dengan cara kerja pikiran. Jelasnya, sistem otak yang terspesialisasi mampu melakukan berbagai macam aktivitas, dan jumlahnya banyak. Namun struktur seperti ini mungkin penting untuk memungkinkan perilaku yang lebih kompleks.

Namun, para peneliti sendiri merasa prihatin dengan beberapa kemampuan ilmuwan tersebut. Ada banyak bahan kimia (pikirkan hal-hal seperti agen saraf) yang kita tidak ingin melihatnya lebih mudah untuk diproduksi. Mencari tahu cara memberi tahu instance GPT agar tidak melakukan sesuatu ternyata selalu menjadi tantangan.

alam2023. Tanda Pengenal Digital: 10.1038/s41586-023-06792-0 (Tentang ID digital).