Yapay zekanın kimya araştırmalarına yardımcı olabileceği ve güvenilirliğin yetersiz kaldığı yerler

Skoltech Yapay Zeka Merkezi’nden araştırmacılar, Rusya Bilimler Akademisi Zelinsky Organik Kimya Enstitüsü, ITMO Üniversitesi ve diğer kurumlardan meslektaşlarıyla birlikte şu tarihte bir makale yayınladı: Kimya Derneği İncelemeleri Yapay zekanın kimyasal araştırma iş akışında nerede ölçülebilir değer ürettiğini, güvenilirliğinin nasıl değerlendirileceğini ve güçlü bir kıyaslama sonucunun neden laboratuvar performansına dönüşmediğini inceliyor.

Kimyasal araştırmalar çeşitli bilgiler üretir: bilimsel yayınlar, görüntüler, spektrumlar, ölçümler ve reaksiyon kayıtları. Moleküler yapı ve özellikler arasındaki ilişkinin anlaşılması hala önemlidir. Araştırmacılar ayrıca hangi kanıtın inceleneceği, bir sonraki deneyin hangi deney olacağı ve yeni bir sonuçtan sonra planın nasıl ayarlanacağı da dahil olmak üzere bir dizi pratik karar verirler. İnceleme, bu karar dizisini düzenleyici çerçeve olarak kullanır.

Yazarlar, kimyasal araştırmaları bilgiyi üreten, dönüştüren ve doğrulayan aşamalara ayırıyor ve yapay zeka yöntemlerini her aşamaya eşliyor. Klasik makine öğrenimini, kimyasal bilgiyi içeren modelleri ve kimya için ortaya çıkan temel modelleri tartışıyorlar. Yalnızca kıyaslama puanlarından ziyade, ölçülebilir sonuçlar ve yinelenen başarısızlık türleri üzerinde durmaktadırlar.

İnceleme, bilimsel literatürden ve birikmiş veri setlerinden bilgi çıkarılmasını; spektroskopi, kütle spektrometresi ve mikroskopiden elde edilen deneysel verilerin yorumlanması; özelliklerin ve reaktivitenin tahmini; sentez planlaması; ve bir deneyin sonucunun diğerine rehberlik ettiği sistemler. Temsili uygulamalar, yeni bir soruna neyin aktarılabileceğini ve bir yöntemin sınırlamalarının nerede önemli olduğunu gösterir.

Sonuç olarak yazarlar, yapay zekanın bir kimyagerin işini değiştirebileceği üç yolu tanımlıyorlar. Karmaşık spektrumlardan, görüntülerden ve bilimsel metinlerden mekanik içgörü elde edebilir; birçok seçenek arasından gelecek vaat eden bileşikleri, sentez yollarını ve deney koşullarını belirlemek; ve tahminleri, sonuçları bir sonraki adıma rehberlik edecek otomatik deneylere bağlayın. Yukarıdaki görüntü, moleküler bir açıklama ile bir deney arasındaki hangi adımların farklı modellerin gerçekleştirebileceğini göstermek için özellik tahminini kullanmaktadır. Yapay zekanın pratik değeri, gerçek araştırma kısıtlamaları altında kararları iyileştirip iyileştirmediğine bağlıdır.

Skoltech Yapay Zeka Merkezi’nde kıdemli araştırma bilimcisi Alexander Ryabov, “Yapay zekaya araştırma kararları vermesi gereken bir kimyagerin bakış açısından bakmak istedik. Bir modelin test verileri üzerindeki yüksek doğruluğu buzdağının yalnızca görünen kısmıdır. Daha da önemlisi, ölçümleri yorumlamaya, bilgilendirici deneyler planlamaya ve yeni bileşikler ve reaksiyonlarla çalışırken tahminlerinin kalitesini ve güvenilirliğini korumaya yardımcı olup olmadığıdır” diyor.

Yazarlar, bir modelin görünen başarısını şişirebilecek riskleri inceliyor: eğitim ve değerlendirme arasındaki bilgi sızıntısı, sınırlı sayıdaki örneklere aşırı uyum ve tanıdık verilerin ötesinde tahmin hataları. Bu sorunlar, maddelerin, reaksiyon koşullarının ve araçların farklılık gösterdiği, deneysel doğrulamanın zaman ve kaynak gerektirdiği kimyada özellikle önemlidir. Bir modeli kullanmadan önce yazarlar, eğitim verilerinin belirli bir laboratuvarın bileşikleri ve cihazlarıyla eşleşip eşleşmediğini, tahmin belirsizliğini ne kadar güvenilir bir şekilde tahmin ettiğini ve eğitim sırasında sonuçları bilinmeyen yeni deneylerde test edilip edilmediğini kontrol etmenizi tavsiye ediyor.

Teorik Kimya Grubu başkanı Michael G. Medvedev, “Kimyadaki yapay zekanın bir sonraki aşaması, gelişmiş büyük dil modellerini (LLM’ler) ve kimyasal kısıtlamalara saygı duyan fizik bilgili modelleri bir araya getirecek. Bir yapay zeka temsilcisi, fizik bilgili bir modelin tahmininin ne zaman sağlam temellere dayandığını, onu eğitmek için kullanılan verilerin ötesine ne zaman geçtiğini ve hangi deneyin belirsizliği en iyi şekilde azaltacağını değerlendirmelidir. Buna karşılık araştırmacı, bilimsel soruyu tanımlamak ve yapay zeka aracısı tarafından üretilen sonuçları doğrulamaktan sorumlu olmaya devam eder” diyor. Zelinsky Organik Kimya Enstitüsü ve incelemenin ilk yazarı.