«Я у мамы инженер»: Три бота за пять часов сделали то, на что у людей ушли бы годы

Учёные из национальной лаборатории Сандия, которая входит в Министерство энергетики США, работают над созданием дешёвых и энергоэффективных светодиодов, способных заменить лазеры. Недавно они решили привлечь к работе трёх искусственных помощников — и результаты превзошли все ожидания.

За пять часов боты провели более 300 экспериментов и нашли новый способ управления светодиодным излучением, который оказался в четыре раза эффективнее методов, разработанных самими исследователями. Работа опубликована в журнале Nature Communications и демонстрирует, как ИИ-агенты меняют научные исследования.

«Мы один из ведущих примеров того, как можно организовать самоуправляемую лабораторию для помощи и расширения человеческих знаний», — заявил исследователь Сандии Прасад Айер в недавнем блог-посте.

Эксперимент продолжает работу 2023 года, в которой Айер и его команда продемонстрировали метод управления светодиодным светом с применением в самых разных областях — от беспилотных автомобилей до голографических проекторов. Главной задачей было найти правильную комбинацию параметров для управления светом, и исследователи ожидали, что этот процесс займёт годы.

Чтобы ускорить работу, Айер попросил своего коллегу Саакета Десаи разработать серию искусственных лабораторных ассистентов. В отличие от большинства ИИ-агентов, инструменты лаборатории не просто делают запросы к сторонним моделям. Команда создала три специализированные модели на основе хорошо зарекомендовавших себя алгоритмов машинного обучения.

«Мы не использовали большие языковые модели. Интерес к ним огромен, и многие пытаются с ними экспериментировать, но я думаю, это всё ещё исследовательская фаза», — рассказал Десаи изданию The Register. Как оказалось, они им и не понадобились. «Мы использовали более простую модель под названием вариационный автокодировщик. Эта модель была создана ещё в 2013 году. Это одна из ранних генеративных моделей», — пояснил он.

Придерживаясь специализированных моделей на основе более зрелых архитектур, учёные из Сандии также избежали галлюцинаций — ошибок, возникающих когда ИИ выдумывает информацию. Это стало одной из главных проблем при внедрении генеративного ИИ. «Галлюцинации не были большой проблемой, потому что мы создали генеративную модель, специально адаптированную для этой конкретной задачи», — объяснил Десаи.

Первая модель использовала архитектуру вариационного автокодировщика — тип модели, который обычно применялся для генерации изображений до появления диффузионных моделей в 2015 году. Эта модель предварительно обрабатывала наборы данных лаборатории.

Затем исследователи передали результаты работы этой модели во вторую модель, которая была напрямую подключена к оптическому оборудованию для проведения экспериментов. Эта модель активного обучения основана на алгоритме байесовской оптимизации и отвечала за генерацию и проведение эксперимента с последующим анализом результатов. Процесс шёл в замкнутом цикле, модели постоянно совершенствовали эксперименты.

Однако знать, какая комбинация параметров даёт лучшие результаты, было недостаточно. Настоящая наука заключается в понимании, почему именно эта конфигурация вообще работает. Поэтому команда добавила третью модель, которая по сути выполняла роль проверяющего. Исследователи поручили этой простой нейронной сети с прямой связью выводить формулу для полученных данных, чтобы затем проверить результаты.

И хотя многие ИИ-модели обучаются на сотнях тысяч графических процессоров, команда справилась со сравнительно скромным оборудованием — рабочей станцией Lambda Labs с тремя видеокартами RTX A6000.

Вместе эти модели не только ускорили тестирование, но и предложили подходы к управлению светодиодными лучами, о которых исследователи раньше не задумывались.

Хотя исследование было сосредоточено на применении ИИ к управлению светом, излучаемым светодиодами, Десаи считает, что этот подход может найти применение в разработке материалов — например, сплавов или печатной электроники.

Для других учёных, заинтересованных в создании подобных «самоуправляемых лабораторий», Десаи подчёркивает важность плотной интеграции оборудования в модельную структуру. «Есть прогресс и развитие в этой области, но предстоит ещё долгий путь, чтобы убедиться, что физические инструменты в лаборатории могут взаимодействовать с этими моделями», — сказал он. «Если вы используете оборудование 1975 года, вы уже в сложном положении».

Что касается самих моделей, он подчёркивает важность скептицизма. «Если вы переходите к более продвинутым архитектурам машинного обучения — трансформерным большим языковым моделям и прочему — я бы посоветовал очень скептически относиться к тому, что они вам выдают».