ИИ с детектором сомнений ускорил опыты на 40%

Инновационный алгоритм GOLLUM объединил языковую модель с математической системой оценки неопределенности. Теперь нейросеть не просто генерирует варианты проведения экспериментов, но и критически оценивает их вероятность успеха. Это кардинально снижает риск дорогостоящих ошибок в лабораторных условиях.

Современные вычислительные инструменты каждый день помогают ученым исследовать массивные базы молекул и реакций

Источник: MIT

Ученые из Федеральной политехнической школы Лозанны создали ИИ для оптимизации химических опытов. Система использует детектор сомнений для экономии ресурсов и времени исследователей. Статья опубликована в журнале Nature Machine Intelligence.

Современные вычислительные инструменты каждый день помогают ученым исследовать массивные базы молекул и реакций. Но проверка каждой сгенерированной комбинации в реальной лаборатории обходится слишком дорого. Перед химиками постоянно стоит острая проблема выбора действительно оптимального рецепта для проведения тестов.

Традиционный метод оптимизации изучает предыдущие результаты и оценивает неопределенность математических прогнозов. Он помогает команде сосредоточиться на полезных вариантах, избегая траты денег на бесперспективные пути. Однако этот точный способ очень плохо переносится между разными научными дисциплинами из-за разницы в данных.

Популярные языковые модели отлично работают с обычным текстом и обладают широкой базой знаний. Но они часто выдают ложную информацию с высоким уровнем уверенности в своей правоте. Подобные галлюцинации могут направить лабораторию по ложному пути, что критично в точных и дорогих экспериментах.

Популярные языковые модели отлично работают с обычным текстом и обладают широкой базой знаний. Но они часто выдают абсолютно ложную информацию с высоким уровнем уверенности в своей правоте

Источник: Freepik

Решение проблемы машинных галлюцинаций

Специалисты разработали принципиально новый метод, объединяющий нейросеть с моделью вероятности. Проект получил название GOLLUM. Он постоянно тренирует ИИ с помощью системы оценки неопределенности, элегантно превращая обычные машинные сомнения в полезный сигнал для обучения и корректировки.

По мере получения свежих данных от прошлых опытов нейросеть меняет организацию пространства поиска. Рецепты с похожими результатами алгоритм группирует ближе друг к другу, а с совершенно разными моментально отдаляет. При этом сама оптимизация происходит на основе простого текстового описания процедуры на английском языке.

Сотрудники лаборатории протестировали работу алгоритма на 23 различных задачах из области органического синтеза и катализа. Интеллектуальная система заняла первое место по общей эффективности, легко обогнав традиционные методы. Новый подход позволил найти качественные решения при сокращении числа физических тестов на 40%.

Ранее ИИ помог ученым создать пьезоэлектрик с рекордной эффективностью.