Se combinan varias instancias de Chat GPT para aprender química

A pesar del rápido progreso en inteligencia artificial, la IA no está ni cerca de estar lista para reemplazar a los humanos en la práctica de la ciencia. Pero eso no significa que no puedan ayudar a automatizar parte del arduo trabajo que surge de los experimentos científicos cotidianos. Por ejemplo, hace unos años, los investigadores pusieron la inteligencia artificial al control de equipos de laboratorio automatizados y le enseñaron cómo clasificar de manera integral todas las interacciones que podrían ocurrir entre un conjunto de materias primas.

Aunque esto es útil, aún requiere mucha intervención por parte de los investigadores para entrenar el sistema en primer lugar. Un grupo de la Universidad Carnegie Mellon ha descubierto cómo hacer que un sistema de inteligencia artificial aprenda por sí solo a manejar la química. El sistema requiere un conjunto de tres instancias de IA, cada una especializada en diferentes procesos. Pero, una vez que lo configuras y le suministras las materias primas, todo lo que tienes que hacer es decirle qué tipo de reacción quieres hacer, y lo resolverá.

Trinidad de inteligencia artificial

Los investigadores indican que están interesados ​​en comprender las capacidades que los grandes modelos lingüísticos (LLM) pueden ofrecer al esfuerzo científico. Así que todas las IA utilizadas en este trabajo son LLM, principalmente GPT-3.5 y GPT-4, aunque también se han probado otras -Claude 1.3 y Falcon-40B-Instruct-. (GPT-4 y Claude 1.3 obtuvieron los mejores resultados). Pero en lugar de utilizar un único sistema para manejar todos los aspectos de la química, los investigadores crearon distintas instancias de colaboración para establecer una división del trabajo que llamaron «mundo cósmico».

Los tres sistemas que utilizaron son:

Buscador web. Esto tiene dos capacidades principales. Una es utilizar la API de búsqueda de Google para encontrar páginas que valga la pena absorber debido a la información que contienen. El segundo es ingerir esas páginas y extraer información de ellas; piense en esto como algo análogo al contexto de conversaciones anteriores que Chat GPT puede retener para informar sus respuestas posteriores. Los investigadores pudieron rastrear dónde pasaba su tiempo esta unidad, y aproximadamente la mitad de los lugares que visitó eran páginas de Wikipedia. Los cinco sitios principales visitados incluyeron revistas publicadas tanto por la Sociedad Química Estadounidense como por la Sociedad Real de Química.

Investigador de documentación. Piensa en esto como rtfm Ejemplo. A la IA se le habría dado el control de una variedad de equipos de automatización de laboratorio, como manipuladores automatizados de líquidos y similares, a menudo controlados mediante comandos especializados o algo así como una API de Python. A esta instancia de IA se le ha dado acceso a todos los manuales de ese dispositivo, lo que le permite aprender a controlarlo.

un plan. El planificador puede emitir comandos a otras dos instancias de la IA y procesar sus respuestas. Tiene acceso a un entorno limitado de ejecución de código Python, lo que le permite realizar cálculos. También tiene acceso a equipos de laboratorio automatizados, lo que le permite realizar y analizar experimentos de forma virtual. Por lo tanto, se puede pensar en el planificador como parte del sistema que tiene que actuar como un químico, aprendiendo de la literatura e intentando utilizar el equipo para implementar lo que ha aprendido.

El planificador también puede identificar cuándo ocurren errores de programación (ya sea en scripts de Python o en sus intentos de controlar máquinas automatizadas), lo que le permite corregir sus errores.

Poner el sistema en uso

Inicialmente, se pidió al sistema que sintetizara una serie de sustancias químicas como paracetamol e ibuprofeno, lo que confirmó que, en general, podía descubrir una formulación viable después de buscar en la web y en la literatura científica. Entonces la pregunta es si el sistema es capaz de detectar los dispositivos a los que tiene acceso lo suficientemente bien como para activar su capacidad conceptual.

Para comenzar con algo simple, los investigadores utilizaron una placa de muestra estándar que contenía una serie de pequeños pocillos dispuestos en una cuadrícula rectangular. Se pidió al sistema que rellenara cuadrados, líneas diagonales u otros patrones utilizando líquidos de diferentes colores y pudo hacerlo de forma eficaz.

Continuando, colocaron tres soluciones de diferentes colores en ubicaciones aleatorias de la red del pozo; Se pidió al sistema que identificara los pozos y de qué color eran. Por sí solo, Coscientist no sabía cómo hacer esto. Pero cuando le recordaron que diferentes colores mostrarían diferentes espectros de absorción, utilizó un espectrómetro al que tenía acceso y pudo identificar los diferentes colores.

Con el comando y control básico aparentemente funcionando, los investigadores decidieron probar algo de química. Equiparon la placa de muestra con pocillos llenos de sustancias químicas simples, catalizadores y similares, y le pidieron que realizara una reacción química específica. El cosmólogo acertó con la química desde el principio, pero sus intentos de hacer que la síntesis funcionara fracasaron porque envió una orden no válida a las máquinas que calientan e impulsan las reacciones. Esto lo llevó de regreso al módulo de documentación, lo que le permitió corregir el problema y ejecutar las interacciones.

Y funcionó. En la mezcla de reacción estaban presentes huellas espectrales de los productos deseados y su presencia se confirmó mediante cromatografía.

mejorar

Con las reacciones básicas funcionando, los investigadores pidieron al sistema que optimizara la eficiencia de la reacción y presentaron el proceso de optimización como un juego en el que la puntuación aumentaba con el resultado de la reacción.

El sistema hizo algunas conjeturas erróneas en la primera ronda de comentarios de prueba, pero rápidamente se centró en lograr mejores rendimientos. Los investigadores también descubrieron que podían evitar malas decisiones en la primera ronda proporcionando al coscientista información sobre los resultados generados por algunas mezclas iniciales aleatorias. Esto significa que no importa de dónde obtenga su información un cocientífico (ya sea de su propia retroalimentación o de alguna fuente de información externa), es capaz de incorporar la información en su planificación.

Los investigadores concluyeron que el Coscientist tiene una serie de habilidades notables:

• Planificación de la síntesis química utilizando información general.
• Navegar y procesar manuales técnicos para dispositivos complejos.
• Utilice ese conocimiento para controlar una variedad de equipos de laboratorio.
• Integre estas capacidades de instrumentación en el flujo de trabajo de su laboratorio.
• Analice sus reacciones y utilice esa información para diseñar condiciones de reacción mejoradas.

En muchos sentidos, esto suena como la experiencia que podría tener un estudiante en su primer año de posgrado. Idealmente, el estudiante de posgrado progresará más allá de esto. Pero tal vez GPT-5 también pueda hacerlo.

Aún más peligroso es que la arquitectura cocientífica, que se basa en la interacción de una serie de sistemas especializados, es similar a cómo funcionan las mentes. Es evidente que los sistemas cerebrales especializados son capaces de realizar una amplia gama de actividades, y hay muchas de ellas. Pero este tipo de estructura puede ser fundamental para permitir comportamientos más complejos.

Sin embargo, los propios investigadores están preocupados por algunas de las habilidades del cocientífico. Hay muchos productos químicos (piense en cosas como agentes nerviosos) que no queremos que sean más fáciles de fabricar. Descubrir cómo decirle a las instancias de GPT que no hagan algo resulta ser un desafío constante.

naturaleza2023. Identificación digital: 10.1038/s41586-023-06792-0 (Acerca de las identificaciones digitales).