تسلط هوش مصنوعی بر واکنش های شیمیایی
تسلط هوش مصنوعی بر واکنش های شیمیایی -یک سیستم مبتنی بر هوش مصنوعی در برنامه‌ریزی و انجام آزمایش‌های شیمی در دنیای واقعی موفق می‌شود و پتانسیل کمک به دانشمندان انسانی را برای اکتشافات بیشتر و سریع‌تر نشان می‌دهد.
از کد تا شیمی: دانشمند، سیستم هوش مصنوعی تسلط بر واکنش های برنده جایزه نوبل
در زمان کمتری از زمانی که مطالعه این مقاله از شما صرف می شود، یک سیستم مبتنی بر هوش مصنوعی توانست به طور مستقل در مورد برخی واکنش های شیمیایی برنده جایزه نوبل اطلاعات کسب کند و یک روش آزمایشگاهی موفق برای ساخت آنها طراحی کند.
هوش مصنوعی همه این کارها را تنها در چند دقیقه انجام داد – و در اولین تلاش آن را به پایان رساند.
گیب گومز، شیمیدان و مهندس شیمی دانشگاه کارنگی ملون، که رهبری تیم تحقیقاتی مونتاژ و آزمایش هوش مصنوعی را بر عهده داشت، می گوید: «این اولین بار است که یک هوش غیر ارگانیک این واکنش پیچیده را که توسط انسان اختراع شده است، برنامه ریزی، طراحی و اجرا می کند.
سیستم مبتنی بر آنها به خلقت خود لقب “علمدان” دادند.
واکنش های برنده جایزه نوبل و ادغام هوش مصنوعی
پیچیده‌ترین واکنش‌هایی که Coscientist انجام داد در شیمی آلی به عنوان جفت‌های متقابل کاتالیز شده با پالادیوم شناخته می‌شوند، که به مخترعان انسانی خود جایزه نوبل شیمی در سال 2010 را به خاطر نقش بزرگی که این واکنش‌ها در فرآیند توسعه داروسازی و سایر صنایع ایفا کردند، به ارمغان آورد. از مولکول های نازک و مبتنی بر کربن استفاده کنید.
توانایی های نشان داده شده Coscientist که در مجله Nature منتشر شده است، پتانسیل استفاده مفید از هوش مصنوعی را برای افزایش سرعت و تعداد اکتشافات علمی و همچنین بهبود تکرارپذیری و قابلیت اطمینان نتایج تجربی نشان می دهد.
تیم تحقیقاتی چهار نفره شامل دانشجویان دکتری دانیل بویکو و رابرت مک نایت است که به ترتیب از مرکز بنیاد ملی علوم ایالات متحده برای سنتز شیمی‌آنزیمی در دانشگاه نورث وسترن و مرکز NSF برای سنتز به کمک رایانه در دانشگاه نوتردام پشتیبانی و آموزش دریافت کردند.
دیوید برکوویتز، مدیر بخش شیمی NSF می‌گوید: فراتر از وظایف سنتز شیمیایی که توسط سیستمشان نشان داده شده است، گومز و تیمش با موفقیت نوعی شریک آزمایشگاهی بسیار کارآمد را سنتز کرده‌اند.
“آنها همه قطعات را کنار هم می گذارند و نتیجه نهایی بسیار بیشتر از مجموع اجزای آن است – می توان از آن برای اهداف علمی واقعاً مفید استفاده کرد.”
ساخت دانشمند
در میان نرم‌افزارهای Coscientist و قطعات مبتنی بر سیلیکون، مدل‌های زبان بزرگی هستند که «مغز» مصنوعی آن را تشکیل می‌دهند.
یک مدل زبان بزرگ نوعی از هوش مصنوعی است که می تواند معنا و الگوها را از حجم عظیمی از داده ها، از جمله متن نوشتاری موجود در اسناد استخراج کند.
این تیم از طریق یک سری وظایف، چندین مدل زبان بزرگ از جمله GPT-4 و سایر نسخه‌های مدل‌های زبان بزرگ GPT ساخته شده توسط شرکت OpenAI را آزمایش و مقایسه کردند.
Coscientist همچنین به چندین ماژول نرم افزاری مختلف مجهز شد که تیم ابتدا به صورت جداگانه و سپس به صورت هماهنگ آزمایش کردند.
بویکو، طراح معماری کلی Coscientist و تکالیف تجربی آن، می‌گوید: «ما سعی کردیم تمام وظایف ممکن در علم را به قطعات کوچک تقسیم کنیم و سپس قطعه به قطعه تصویر بزرگ‌تر را بسازیم. “در پایان، ما همه چیز را با هم جمع کردیم.”
ماژول های نرم افزاری به Coscientist اجازه دادند تا کارهایی را انجام دهد که همه شیمیدانان تحقیقاتی انجام می دهند: جستجوی اطلاعات عمومی در مورد ترکیبات شیمیایی، یافتن و خواندن کتابچه راهنمای فنی در مورد نحوه کنترل تجهیزات آزمایشگاهی روباتیک، نوشتن کد کامپیوتری برای انجام آزمایش ها، و تجزیه و تحلیل داده های حاصل برای تعیین آنچه کار کرد و چه نشد.
یکی از آزمایش‌ها توانایی Coscientist را برای برنامه‌ریزی دقیق رویه‌های شیمیایی بررسی کرد که در صورت انجام، منجر به تولید مواد معمولی مانند آسپرین، استامینوفن و ایبوپروفن می‌شد.
مدل‌های زبان بزرگ به‌صورت جداگانه مورد آزمایش و مقایسه قرار گرفتند، از جمله دو نسخه GPT با یک ماژول نرم‌افزاری که به آن اجازه می‌دهد از Google برای جستجوی اطلاعات در اینترنت مانند شیمیدان انسان استفاده کند.
سپس رویه‌های به‌دست‌آمده بر اساس اینکه آیا به ماده مورد نظر منتهی می‌شوند، جزئیات مراحل و عوامل دیگر، بررسی و امتیازدهی شدند.
برخی از بالاترین امتیازها توسط ماژول GPT-4 با قابلیت جستجو، که تنها روشی با کیفیت قابل قبول برای سنتز ایبوپروفن ایجاد کرد، به دست آمد.
Boiko و MacKnight مشاهده کردند که Coscientist “استدلال شیمیایی” را نشان می دهد، که بویکو آن را توانایی استفاده از اطلاعات مرتبط با شیمی و دانش قبلاً به دست آمده برای هدایت اعمال خود توصیف می کند.
از اطلاعات شیمیایی در دسترس عموم استفاده کرد که در قالب سیستم ورودی خط ورودی مولکولی ساده (SMILES) کدگذاری شده بودند – نوعی نماد قابل خواندن توسط ماشین که ساختار شیمیایی مولکول ها را نشان می دهد – و تغییراتی را در طرح های آزمایشی خود بر اساس بخش های خاصی از مولکول ها ایجاد کرد. بررسی دقیق در داده های SMILES.
بویکو می گوید: «این بهترین نسخه استدلال شیمیایی ممکن است.
آزمایش‌های بیشتر شامل ماژول‌های نرم‌افزاری بود که به Coscientist امکان جستجو و استفاده از اسناد فنی در توصیف رابط‌های برنامه‌نویسی کاربردی که تجهیزات آزمایشگاهی روباتیک را کنترل می‌کنند، را می‌داد.
این آزمایش‌ها در تعیین اینکه آیا Coscientist می‌تواند طرح‌های نظری خود برای سنتز ترکیبات شیمیایی را به کد رایانه‌ای که ربات‌های آزمایشگاهی را در دنیای فیزیکی هدایت می‌کند، ترجمه کند یا نه، مهم بودند.
معرفی رباتیک در آزمایشات
تجهیزات شیمی روباتیک با تکنولوژی بالا معمولاً در آزمایشگاه ها برای مکیدن، بیرون ریختن، گرم کردن، تکان دادن و انجام کارهای دیگر برای نمونه های مایع کوچک با دقت بسیار زیاد بارها و بارها استفاده می شود.
چنین روبات‌هایی معمولاً از طریق کدهای کامپیوتری نوشته شده توسط شیمی‌دانانی که می‌توانند در همان آزمایشگاه یا در طرف دیگر کشور باشند، کنترل می‌شوند.
این اولین باری بود که چنین روبات هایی با کد کامپیوتری نوشته شده توسط هوش مصنوعی کنترل می شدند.
این تیم Coscientist را با کارهای ساده ای شروع کرد که به آن نیاز داشت تا یک دستگاه رباتیک کنترل کننده مایعات را بسازد که مایع رنگی را در صفحه ای حاوی 96 چاه کوچک که در یک شبکه تراز شده اند، توزیع کند.
گفته شد که «هر خط دیگر را با یک رنگ دلخواه خود رنگ کنید»، «یک مورب آبی بکشید» و سایر تکالیف یادآور مهدکودک.
پس از فارغ التحصیلی از مایع handler 101، تیم Coscientist را با انواع بیشتری از تجهیزات روباتیک آشنا کرد.
آنها با Emerald Cloud Lab، یک مرکز تجاری مملو از انواع ابزارهای خودکار، از جمله اسپکتروفتومترها، که طول موج نور جذب شده توسط نمونه های شیمیایی را اندازه گیری می کنند، همکاری کردند.
سپس یک بشقاب حاوی مایعات با سه رنگ مختلف (قرمز، زرد و آبی) به Coscientist ارائه شد و از او خواسته شد که مشخص کند چه رنگ‌هایی وجود دارند و در کجا قرار دارند.
از آنجایی که کاساینتیست هیچ چشمی ندارد، کدی نوشت تا به صورت رباتیک صفحه رنگی اسرارآمیز را به اسپکتروفتومتر منتقل کند و طول موج نور جذب شده توسط هر چاه را تجزیه و تحلیل کند، به این ترتیب رنگ‌ها و مکان آنها در صفحه را شناسایی کرد.
برای این تکلیف، محققان مجبور شدند کاساینتیست را کمی در جهت درست تکان دهند و به آن دستور دهند که در مورد چگونگی جذب رنگ های مختلف نور فکر کند.
هوش مصنوعی بقیه کارها را انجام داد.
امتحان نهایی Coscientist این بود که ماژول‌های مونتاژ شده و آموزش را در کنار هم قرار دهد تا دستور تیم را برای «اجرای واکنش‌های سوزوکی و سونوگاشیرا» که به نام مخترعانشان آکیرا سوزوکی و کنکیچی سونوگاشیرا نامگذاری شده‌اند، انجام دهد.
این واکنش‌ها که در دهه 1970 کشف شد، از فلز پالادیوم برای کاتالیز کردن پیوندهای بین اتم‌های کربن در مولکول‌های آلی استفاده می‌کنند.
این واکنش‌ها در تولید انواع جدید دارو برای درمان التهاب، آسم و سایر بیماری‌ها بسیار مفید هستند.
آنها همچنین در نیمه هادی های ارگانیک در OLED های موجود در بسیاری از تلفن های هوشمند و نمایشگرها استفاده می شوند.
واکنش‌های موفقیت‌آمیز و تأثیرات گسترده آنها به طور رسمی با جایزه نوبل که به طور مشترک در سال ۲۰۱۰ به سوکوزی، ریچارد هک و ایچی نگیشی اعطا شد، شناخته شد.
البته، کاساینتیست قبلا هرگز این واکنش ها را انجام نداده بود.
بنابراین، همانطور که این نویسنده برای نوشتن پاراگراف قبل انجام داد، به ویکی پدیا رفت و آنها را جستجو کرد.
تسلط هوش مصنوعی بر واکنش های شیمیایی
قدرت بزرگ، مسئولیت بزرگ
مک نایت که ماژول نرم‌افزاری را طراحی کرد که به Coscientist اجازه می‌دهد مستندات فنی را جستجو کند، می‌گوید: «برای من، لحظه «اوریکا» مشاهده تمام سؤالات درست بود.
Coscientist عمدتاً در ویکی‌پدیا، همراه با بسیاری از سایت‌های دیگر از جمله سایت‌های انجمن شیمی آمریکا، انجمن سلطنتی شیمی، و سایر سایت‌های حاوی مقالات آکادمیک که واکنش‌های سوزوکی و سونوگاشیرا را توصیف می‌کردند، به دنبال پاسخ بود.
در کمتر از چهار دقیقه، Coscientist یک روش دقیق برای تولید واکنش های مورد نیاز با استفاده از مواد شیمیایی ارائه شده توسط تیم طراحی کرده بود.
هنگامی که به دنبال انجام رویه خود در دنیای فیزیکی با روبات‌ها بود، در کدی که برای کنترل دستگاهی که نمونه‌های مایع را گرم و تکان می‌دهد، نوشت، اشتباه کرد.
بدون درخواست از سوی انسان، Coscientist مشکل را تشخیص داد، به دفترچه راهنمای فنی دستگاه مراجعه کرد، کد آن را تصحیح کرد و دوباره امتحان کرد.
نتایج در چند نمونه کوچک از مایع شفاف موجود بود.
Boiko نمونه‌ها را تجزیه و تحلیل کرد و نشانه‌های طیفی واکنش‌های سوزوکی و سونوگاشیرا را یافت.
وقتی بویکو و مک نایت به او گفتند که کاساینتیست چه کار کرده است، گومز باور نداشت.
او به یاد می آورد: «فکر می کردم دارند پایم را می کشند. “اما آنها نبودند. آنها مطلقا نبودند. و این زمانی بود که روی آن کلیک کرد، بسیار خوب، ما چیزی در اینجا داریم که بسیار جدید، بسیار قدرتمند است.
با این قدرت بالقوه، نیاز به استفاده عاقلانه از آن و محافظت در برابر سوء استفاده وجود دارد.
گومز می‌گوید درک توانایی‌ها و محدودیت‌های هوش مصنوعی اولین گام در ایجاد قوانین و سیاست‌های آگاهانه است که می‌تواند به طور موثر از استفاده‌های مضر هوش مصنوعی، چه عمدی یا تصادفی، جلوگیری کند.
او می‌گوید: «ما باید در مورد نحوه به کارگیری این فناوری‌ها مسئول و متفکر باشیم.
گومز یکی از چندین محققی است که توصیه‌ها و راهنمایی‌های تخصصی را برای تلاش‌های دولت ایالات متحده برای اطمینان از استفاده ایمن و ایمن از هوش مصنوعی ارائه می‌کند، مانند دستور اجرایی دولت بایدن در اکتبر ۲۰۲۳ درباره توسعه هوش مصنوعی .
تسریع کشف، دموکراتیک کردن علم
دنیای طبیعی از نظر اندازه و پیچیدگی عملاً بی‌نهایت است و حاوی اکتشافات ناگفته‌ای است که منتظرند پیدا شوند.
مواد ابررسانای جدیدی را تصور کنید که به طور چشمگیری بازده انرژی را افزایش می دهند یا ترکیبات شیمیایی که بیماری های غیر قابل درمان را درمان می کنند و عمر انسان را افزایش می دهند.
و با این حال، کسب آموزش و آموزش لازم برای دستیابی به این پیشرفت ها یک سفر طولانی و دشوار است. دانشمند شدن سخت است .
گومز و تیمش سیستم‌های به کمک هوش مصنوعی مانند Coscientist را به‌عنوان راه‌حلی در نظر می‌گیرند که می‌تواند شکاف بین وسعت ناشناخته طبیعت و این واقعیت را که دانشمندان آموزش‌دیده کمبود دارند پر کند – و احتمالاً همیشه همینطور خواهد بود.
دانشمندان علوم انسانی نیازهای انسانی مانند خوابیدن و گاهی بیرون رفتن از آزمایشگاه نیز دارند.
در حالی که هوش مصنوعی هدایت شده توسط انسان می تواند شبانه روز “فکر کند”، به طور روشمند هر سنگ ضرب المثلی را برگرداند، نتایج آزمایشی آن را برای تکرارپذیری بررسی و بازبینی کند.
گومز می‌گوید: «ما می‌توانیم چیزی داشته باشیم که بتواند به طور مستقل اجرا شود، در تلاش برای کشف پدیده‌های جدید، واکنش‌های جدید، ایده‌های جدید باشد.
او می‌گوید: «همچنین می‌توانید به طور قابل توجهی مانع ورود را برای هر زمینه‌ای کاهش دهید.
به عنوان مثال، اگر یک زیست شناس آموزش ندیده در واکنش های سوزوکی بخواهد کاربرد آنها را به روشی جدید کشف کند، می تواند از Coscientist بخواهد که به آنها در برنامه ریزی آزمایش ها کمک کند.
او توضیح می دهد: “شما می توانید این دموکراسی سازی گسترده منابع و درک را داشته باشید.”
گومز می‌گوید در علم یک فرآیند تکراری وجود دارد که چیزی را امتحان می‌کند، شکست می‌خورد، یاد می‌گیرد و بهبود می‌یابد، که هوش مصنوعی می‌تواند به طور قابل ملاحظه‌ای آن را تسریع کند. “این به خودی خود یک تغییر چشمگیر خواهد بود.”
