Ερευνητές από το Stanford University και το SLAC National Accelerator Laboratory απέδειξαν ότι ένας πράκτορας τεχνητής νοημοσύνης μπορεί να προετοιμάσει αυτόνομα ένα πραγματικό πείραμα ακτίνων Χ σε εγκατάσταση συγχροτρονίου, ανοίγοντας τον δρόμο για πιο αυτοματοποιημένες επιστημονικές υποδομές.
Η μελέτη, που δημοσιεύθηκε στο Nature Machine Intelligence, παρουσιάζει ένα σύστημα το οποίο παρατηρεί εικόνες από ανιχνευτές, διαβάζει πειραματικά αρχεία καταγραφής και αναλύει αποτελέσματα σαρώσεων. Στη συνέχεια, αξιολογεί την κατάσταση του πειράματος, αποφασίζει τα επόμενα βήματα και δημιουργεί εντολές ελέγχου των οργάνων.
Η τεχνητή νοημοσύνη ευθυγραμμίζει κρυστάλλους
Ο βασικός στόχος της επίδειξης ήταν η αυτόνομη ευθυγράμμιση μονοκρυσταλλικών δειγμάτων, μια απαραίτητη διαδικασία για τη συλλογή ποιοτικών δεδομένων σε πολλά πειράματα συγχροτρονικής ακτινοβολίας.
Τα συγχροτρόνια είναι μεγάλες ερευνητικές εγκαταστάσεις στις οποίες ηλεκτρόνια επιταχύνονται ώστε να παραχθούν εξαιρετικά έντονες ακτίνες Χ. Οι ακτίνες αυτές χρησιμοποιούνται για τη μελέτη της ατομικής δομής υλικών, μορίων και βιολογικών δειγμάτων.
«Η εργασία μας παρουσιάζει έναν agentic AI X-ray scientist που μπορεί να ευθυγραμμίζει αυτόνομα μονοκρυσταλλικά δείγματα σε γραμμές δέσμης συγχροτρονικής ακτινοβολίας», δήλωσε ο Zhantao Chen, πρώτος συγγραφέας της μελέτης.
Ένας AI πράκτορας που αντιλαμβάνεται το πείραμα
Το σύστημα έχει πρόσβαση σε εργαλεία που του επιτρέπουν να διαβάζει πειραματικά αρχεία, να λαμβάνει εικόνες από ανιχνευτές και να πραγματοποιεί σαρώσεις μέσω κινητήρων. Με βάση τα δεδομένα που συλλέγει, αναλύει την κατάσταση του πειράματος και δημιουργεί τις κατάλληλες εντολές ελέγχου.
Η προσέγγιση αυτή επιτρέπει στο σύστημα να προσαρμόζεται όταν οι συνθήκες αλλάζουν ή όταν εμφανίζονται απρόβλεπτες καταστάσεις. «Τα εργαλεία επιτρέπουν στην AI να αλληλεπιδρά με τον πραγματικό κόσμο, που εδώ είναι το πείραμά μας», εξήγησε ο Chen.
Η προσομοίωση προηγήθηκε του πραγματικού εξοπλισμού
Οι ερευνητές ανέπτυξαν μια εικονική γραμμή δέσμης, δηλαδή μια προσομοίωση του πειραματικού περιβάλλοντος, ώστε να εκπαιδεύσουν και να βελτιώσουν τη ροή εργασίας του AI πράκτορα πριν από την ανάπτυξή του σε πραγματικό εξοπλισμό.
Η μέθοδος αυτή μπορεί να μειώσει τον χρόνο και το κόστος ανάπτυξης, καθώς οι μεγάλες επιστημονικές εγκαταστάσεις είναι συχνά υπερφορτωμένες και ο χρόνος πρόσβασης στα όργανά τους περιορισμένος.
Ο δρόμος προς τα αυτόνομα εργαστήρια
Η ομάδα εκτιμά ότι η συγκεκριμένη προσέγγιση μπορεί να επεκταθεί σε περισσότερες πειραματικές διαδικασίες και, τελικά, σε εργαστήρια φυσικής και επιστήμης υλικών.
Μελλοντικοί AI πράκτορες θα μπορούσαν να προετοιμάζουν και να εκτελούν σύνθετα πειράματα, να προσαρμόζουν τις διαδικασίες με βάση τα δεδομένα που συλλέγουν και να βοηθούν τους επιστήμονες στην αναζήτηση νέων ανακαλύψεων.