Elaborar una hipótesis de investigación única y prometedora es una tiento fundamental para cualquier irrefutable. Además puede aceptar mucho tiempo: los nuevos candidatos a doctorado pueden sobrevenir el primer año de su software tratando de atreverse exactamente qué explorar en sus experimentos. ¿Y si la inteligencia industrial pudiera ayudar?
Los investigadores del MIT han creado una forma de crear y evaluar de forma autónoma hipótesis de investigación prometedoras en todos los campos, a través de la colaboración entre humanos y IA. En un nuevo artículo, describen cómo utilizaron este situación para crear hipótesis basadas en evidencia que se alinean con las evacuación de investigación no satisfechas en el campo de los materiales de inspiración biológica.
Publicado el miércoles en Materiales avanzadosel estudio fue coautor de Alireza Ghafarollahi, postdoctorado en el Laboratorio de Mecánica Atomística y Molecular (LAMM), y Markus Buehler, profesor Jerry McAfee de Ingeniería en los departamentos de Ingeniería Civil y Ambiental y de Ingeniería Mecánica del MIT y director de LAMM.
El situación, que los investigadores llaman SciAgents, consta de múltiples agentes de IA, cada uno con capacidades específicas y camino a datos, que aprovechan métodos de «razonamiento croquis», donde los modelos de IA utilizan un croquis de conocimiento que organiza y define las relaciones entre diversos conceptos científicos. El enfoque de múltiples agentes imita la forma en que los sistemas biológicos se organizan como grupos de bloques de construcción elementales. Buehler señala que este principio de “divide y vencerás” es un prototipo destacado en biología en muchos niveles, desde los materiales hasta los enjambres de insectos y las civilizaciones, todos ellos ejemplos en los que la inteligencia total es mucho viejo que la suma de las capacidades de los individuos.
«Al utilizar múltiples agentes de IA, intentamos afectar el proceso mediante el cual las comunidades de científicos hacen descubrimientos», dice Buehler. “En el MIT, lo logramos al tener un peña de personas con diferentes orígenes trabajando juntas y encontrándose en cafeterías o en el Corredor Infinito del MIT. Pero eso es muy coincidente y premioso. Nuestra encargo es afectar el proceso de descubrimiento explorando si los sistemas de IA pueden ser creativos y hacer descubrimientos”.
Automatizando buenas ideas
Como lo han demostrado los desarrollos recientes, los grandes modelos de verbo (LLM) han demostrado una capacidad impresionante para contestar preguntas, resumir información y ejecutar tareas simples. Pero son conveniente limitados a la hora de crear nuevas ideas desde cero. Los investigadores del MIT querían diseñar un sistema que permitiera a los modelos de IA realizar un proceso de varios pasos más sofisticado que vaya más allá de memorar información aprendida durante el entrenamiento, para inferir y crear nuevos conocimientos.
La almohadilla de su enfoque es un croquis de conocimiento ontológico, que organiza y establece conexiones entre diversos conceptos científicos. Para hacer los gráficos, los investigadores introducen un conjunto de artículos científicos en un maniquí de IA generativa. En trabajo preliminarBuehler utilizó un campo de las matemáticas conocido como teoría de categorías para ayudar al maniquí de IA a desarrollar abstracciones de conceptos científicos como gráficos, basadas en la definición de relaciones entre componentes, de una forma que podría ser analizada por otros modelos a través de un proceso llamado razonamiento croquis. Esto centra los modelos de IA en el avance de una forma más basada en principios de comprender los conceptos; además les permite extender mejor entre dominios.
«Esto es positivamente importante para nosotros a la hora de crear modelos de IA centrados en la ciencia, ya que las teorías científicas suelen estar arraigadas en principios generalizables y no simplemente en la recuperación de conocimientos», afirma Buehler. «Al centrar los modelos de IA en el ‘pensamiento’ de tal forma, podemos ir más allá de los métodos convencionales y explorar usos más creativos de la IA».
Para el artículo más flamante, los investigadores utilizaron más o menos de 1.000 estudios científicos sobre materiales biológicos, pero Buehler dice que los gráficos de conocimiento podrían generarse utilizando muchos más o menos artículos de investigación de cualquier campo.
Una vez establecido el croquis, los investigadores desarrollaron un sistema de inteligencia industrial para descubrimientos científicos, con múltiples modelos especializados para desempeñar funciones específicas en el sistema. La mayoría de los componentes se construyeron a partir de los modelos de la serie ChatGPT-4 de OpenAI y utilizaron una técnica conocida como educación en contexto, en la que las indicaciones proporcionan información contextual sobre el papel del maniquí en el sistema y al mismo tiempo le permiten cultivarse de los datos proporcionados.
Los agentes individuales en el situación interactúan entre sí para resolver colectivamente un problema engorroso que ningún de ellos podría resolver por sí solo. La primera tarea que se les asigna es crear la hipótesis de investigación. Las interacciones de LLM comienzan luego de que se ha definido un subgrafo a partir del croquis de conocimiento, lo que puede ocurrir de forma aleatoria o ingresando manualmente un par de palabras esencia analizadas en los artículos.
En el situación, un maniquí de verbo que los investigadores llamaron «ontólogo» tiene la tarea de fijar términos científicos en los artículos y examinar las conexiones entre ellos, dando cuerpo al croquis de conocimiento. Luego, un maniquí llamado «Verificado 1» elabora una propuesta de investigación basada en factores como su capacidad para descubrir propiedades inesperadas y novedosas. La propuesta incluye una discusión de los posibles hallazgos, el impacto de la investigación y una conjetura sobre los mecanismos de movimiento subyacentes. Un maniquí “Scientist 2” amplía la idea, sugiriendo enfoques experimentales y de simulación específicos y realizando otras mejoras. Finalmente, un maniquí “crítico” destaca sus fortalezas y debilidades y sugiere mejoras adicionales.
«Se manejo de formar un equipo de expertos que no piensen todos de la misma forma», dice Buehler. “Tienen que pensar diferente y tener capacidades diferentes. El agente crítico está programado deliberadamente para despellejar a los demás, por lo que no todos están de acuerdo y dicen que es una gran idea. Tienes un agente que dice: ‘Aquí hay una afición, ¿puedes explicarla mejor?’ Eso hace que el resultado sea muy diferente al de los modelos individuales”.
Otros agentes del sistema pueden apañarse letras existente, lo que proporciona al sistema una forma no sólo de evaluar la viabilidad sino además de crear y evaluar la novedad de cada idea.
Robustecer el sistema
Para validar su enfoque, Buehler y Ghafarollahi construyeron un croquis de conocimiento basado en las palabras «seda» y «intensivo en energía». Utilizando este situación, el maniquí «Verificado 1» propuso integrar seda con pigmentos a almohadilla de diente de arrogante para crear biomateriales con propiedades ópticas y mecánicas mejoradas. El maniquí predijo que el material sería significativamente más válido que los materiales de seda tradicionales y requeriría menos energía para procesarse.
Luego, el Verificado 2 hizo sugerencias, como el uso de herramientas específicas de simulación de dinámica molecular para explorar cómo interactuarían los materiales propuestos, y agregó que una buena aplicación para el material sería un adhesivo bioinspirado. Luego, el maniquí Critic destacó varias fortalezas del material propuesto y áreas de prosperidad, como su escalabilidad, estabilidad a extenso plazo y los impactos ambientales del uso de solventes. Para tocar esas preocupaciones, el crítico sugirió realizar estudios piloto para la moral del proceso y realizar disección rigurosos de la durabilidad del material.
Los investigadores además llevaron a límite otros experimentos con palabras esencia elegidas al azar, que produjeron varias hipótesis originales sobre chips de microfluidos biomiméticos más eficientes, mejorando las propiedades mecánicas de los andamios a almohadilla de colágeno y la interacción entre el grafeno y las fibrillas de amiloide para crear dispositivos bioelectrónicos.
«El sistema pudo crear estas ideas nuevas y rigurosas basadas en el camino desde el croquis de conocimiento», dice Ghafarollahi. “En términos de novedad y aplicabilidad, los materiales parecían robustos y novedosos. En trabajos futuros, generaremos miles, o decenas de miles, de nuevas ideas de investigación, y luego podremos categorizarlas, tratar de comprender mejor cómo se generan estos materiales y cómo podrían mejorarse aún más”.
En el futuro, los investigadores esperan incorporar nuevas herramientas para recuperar información y ejecutar simulaciones en sus marcos. Además pueden cambiar fácilmente los modelos básicos en sus marcos por modelos más avanzados, lo que permite que el sistema se adapte a las últimas innovaciones en IA.
«Correcto a la forma en que interactúan estos agentes, una prosperidad en un maniquí, incluso si es leve, tiene un impacto enorme en los comportamientos generales y el resultado del sistema», dice Buehler.
Desde que publicaron una preimpresión con detalles de código extenso de su enfoque, los investigadores han sido contactados por cientos de personas interesadas en utilizar los marcos en diversos campos científicos e incluso áreas como finanzas y ciberseguridad.
«Hay muchas cosas que puedes hacer sin tener que ir al laboratorio», dice Buehler. “Básicamente, lo que se desea es ir al laboratorio al final del proceso. El laboratorio es caro y lleva mucho tiempo, por lo que se necesita un sistema que pueda profundizar en las mejores ideas, formular las mejores hipótesis y predecir con precisión los comportamientos emergentes. Nuestra visión es hacer que esto sea factible de usar, de modo que pueda usar una aplicación para aportar otras ideas o tirar conjuntos de datos para desafiar positivamente el maniquí y realizar nuevos descubrimientos”.