పరిశోధన పరికల్పన కావాలా? AIని అడగండి

MIT ఇంజనీర్లు జీవశాస్త్ర ప్రేరేపిత పదార్థాలను ముందుకు తీసుకెళ్లగల సాక్ష్యం-ఆధారిత పరికల్పనలను గుర్తించడానికి AI ఫ్రేమ్‌వర్క్‌లను అభివృద్ధి చేశారు.

ప్రత్యేకమైన మరియు ఆశాజనకమైన పరిశోధన పరికల్పనను రూపొందించడం ఏ శాస్త్రవేత్తకైనా ప్రాథమిక నైపుణ్యం. ఇది సమయం కూడా తీసుకుంటుంది: కొత్త పీహెచ్‌డీ అభ్యర్థులు తమ ప్రోగ్రామ్‌లో మొదటి సంవత్సరం తమ ప్రయోగాలలో ఏమి అన్వేషించాలో నిర్ణయించుకోవడానికి ప్రయత్నించవచ్చు. కృత్రిమ మేధస్సు సహాయం చేయగలిగితే?

MIT పరిశోధకులు మానవ-AI సహకారం ద్వారా రంగాలలో ఆశాజనకమైన పరిశోధన పరికల్పనలను స్వయంప్రతిపత్తితో రూపొందించడానికి మరియు మూల్యాంకనం చేయడానికి ఒక మార్గాన్ని సృష్టించారు. కొత్త పేపర్‌లో, జీవశాస్త్రపరంగా ప్రేరేపిత పదార్థాల రంగంలో అన్‌మెట్ పరిశోధన అవసరాలకు అనుగుణంగా సాక్ష్యం-ఆధారిత పరికల్పనలను రూపొందించడానికి వారు ఈ ఫ్రేమ్‌వర్క్‌ను ఎలా ఉపయోగించారో వారు వివరిస్తారు.

లో బుధవారం ప్రచురించబడింది అధునాతన మెటీరియల్స్ అటామిస్టిక్ అండ్ మాలిక్యులర్ మెకానిక్స్ (LAMM) కోసం లాబొరేటరీలో పోస్ట్‌డాక్ అయిన అలిరెజా గఫరోల్లాహి మరియు MIT యొక్క సివిల్ అండ్ ఎన్విరాన్‌మెంటల్ ఇంజనీరింగ్ మరియు డైరెక్టర్ ఆఫ్ మెకానికల్ ఇంజినీరింగ్ మరియు డైరెక్టర్ ఆఫ్ ఇంజినీరింగ్‌లో జెర్రీ మెకాఫీ ప్రొఫెసర్ మార్కస్ బ్యూలెర్ ఈ అధ్యయనానికి సహ రచయితగా ఉన్నారు. LAMM.

పరిశోధకులు SciAgents అని పిలిచే ఫ్రేమ్‌వర్క్, బహుళ AI ఏజెంట్లను కలిగి ఉంటుంది, ప్రతి ఒక్కటి నిర్దిష్ట సామర్థ్యాలు మరియు డేటాకు ప్రాప్యత కలిగి ఉంటాయి, ఇవి “గ్రాఫ్ రీజనింగ్” పద్ధతులను ప్రభావితం చేస్తాయి, ఇక్కడ AI నమూనాలు విభిన్న శాస్త్రీయ భావనల మధ్య సంబంధాలను నిర్వహించే మరియు నిర్వచించే నాలెడ్జ్ గ్రాఫ్‌ను ఉపయోగిస్తాయి. బహుళ-ఏజెంట్ విధానం జీవ వ్యవస్థలు తమను తాము ప్రాథమిక బిల్డింగ్ బ్లాక్‌ల సమూహాలుగా నిర్వహించుకునే విధానాన్ని అనుకరిస్తుంది. ఈ “విభజించు మరియు జయించు” సూత్రం అనేక స్థాయిలలో జీవశాస్త్రంలో ఒక ప్రముఖ నమూనా అని బ్యూలర్ పేర్కొన్నాడు, పదార్థాల నుండి కీటకాల సమూహాల నుండి నాగరికతల వరకు – అన్నింటికి ఉదాహరణలు వ్యక్తుల సామర్థ్యాల మొత్తం కంటే చాలా ఎక్కువ.

“బహుళ AI ఏజెంట్లను ఉపయోగించడం ద్వారా, మేము శాస్త్రవేత్తల సంఘాలు ఆవిష్కరణలు చేసే ప్రక్రియను అనుకరించడానికి ప్రయత్నిస్తున్నాము” అని బ్యూహ్లర్ చెప్పారు. “MITలో, కాఫీ షాప్‌లలో లేదా MIT యొక్క అనంతమైన కారిడార్‌లో విభిన్న నేపథ్యాలు కలిగిన వ్యక్తుల సమూహం కలిసి పని చేయడం మరియు ఒకరినొకరు కొట్టుకోవడం ద్వారా మేము దీన్ని చేస్తాము. కానీ ఇది చాలా యాదృచ్చికం మరియు నెమ్మదిగా ఉంటుంది. అన్వేషించడం ద్వారా ఆవిష్కరణ ప్రక్రియను అనుకరించడం మా తపన. AI వ్యవస్థలు సృజనాత్మకంగా మరియు ఆవిష్కరణలు చేయగలవో లేదో.”

మంచి ఆలోచనలను ఆటోమేట్ చేయడం

ఇటీవలి పరిణామాలు ప్రదర్శించినట్లుగా, పెద్ద భాషా నమూనాలు (LLMలు) ప్రశ్నలకు సమాధానం ఇవ్వడానికి, సమాచారాన్ని సంగ్రహించడానికి మరియు సాధారణ పనులను అమలు చేయడానికి అద్భుతమైన సామర్థ్యాన్ని చూపించాయి. కానీ మొదటి నుండి కొత్త ఆలోచనలను రూపొందించేటప్పుడు అవి చాలా పరిమితంగా ఉంటాయి. MIT పరిశోధకులు AI నమూనాలను మరింత అధునాతనమైన, బహుళ-దశల ప్రక్రియను నిర్వహించడానికి వీలు కల్పించే వ్యవస్థను రూపొందించాలని కోరుకున్నారు, ఇది శిక్షణ సమయంలో నేర్చుకున్న సమాచారాన్ని గుర్తుకు తెచ్చుకోవడం, ఎక్స్‌ట్రాపోలేట్ చేయడం మరియు కొత్త జ్ఞానాన్ని సృష్టించడం.

వారి విధానానికి పునాది అనేది ఆన్టోలాజికల్ నాలెడ్జ్ గ్రాఫ్, ఇది విభిన్న శాస్త్రీయ భావనల మధ్య అనుసంధానాలను నిర్వహిస్తుంది మరియు చేస్తుంది. గ్రాఫ్‌లను రూపొందించడానికి, పరిశోధకులు శాస్త్రీయ పత్రాల సమితిని ఉత్పాదక AI మోడల్‌గా ఫీడ్ చేస్తారు. మునుపటి పనిలో, బ్యూహ్లర్ గణిత రంగాన్ని వర్గ సిద్ధాంతం అని పిలుస్తారు, ఇది గ్రాఫ్‌ల వలె శాస్త్రీయ భావనల యొక్క సంగ్రహణలను అభివృద్ధి చేయడంలో సహాయపడుతుంది, ఇది భాగాల మధ్య సంబంధాలను నిర్వచించడంలో పాతుకుపోయింది, గ్రాఫ్ రీజనింగ్ అనే ప్రక్రియ ద్వారా ఇతర నమూనాలచే విశ్లేషించబడుతుంది. . ఇది భావనలను అర్థం చేసుకోవడానికి మరింత సూత్రప్రాయమైన మార్గాన్ని అభివృద్ధి చేయడంపై AI నమూనాలను కేంద్రీకరిస్తుంది; ఇది డొమైన్‌లలో మెరుగ్గా సాధారణీకరించడానికి వారిని అనుమతిస్తుంది.

“సైన్స్-ఫోకస్డ్ AI మోడల్‌లను రూపొందించడం మాకు చాలా ముఖ్యం, ఎందుకంటే శాస్త్రీయ సిద్ధాంతాలు సాధారణంగా జ్ఞానాన్ని గుర్తుకు తెచ్చుకోవడం కంటే సాధారణీకరించదగిన సూత్రాలలో పాతుకుపోతాయి” అని బ్యూలర్ చెప్పారు. “AI మోడల్‌లను అటువంటి పద్ధతిలో ‘ఆలోచించడం’పై కేంద్రీకరించడం ద్వారా, మేము సాంప్రదాయ పద్ధతులకు మించి దూకవచ్చు మరియు AI యొక్క మరింత సృజనాత్మక ఉపయోగాలను అన్వేషించవచ్చు.”

ఇటీవలి కాగితం కోసం, పరిశోధకులు జీవసంబంధ పదార్థాలపై సుమారు 1,000 శాస్త్రీయ అధ్యయనాలను ఉపయోగించారు, అయితే ఏ రంగం నుండి అయినా చాలా ఎక్కువ లేదా తక్కువ పరిశోధనా పత్రాలను ఉపయోగించి నాలెడ్జ్ గ్రాఫ్‌లను రూపొందించవచ్చని బ్యూలర్ చెప్పారు.

స్థాపించబడిన గ్రాఫ్‌తో, పరిశోధకులు శాస్త్రీయ ఆవిష్కరణ కోసం AI వ్యవస్థను అభివృద్ధి చేశారు, సిస్టమ్‌లో నిర్దిష్ట పాత్రలను పోషించడానికి బహుళ నమూనాలు ప్రత్యేకించబడ్డాయి. చాలా భాగాలు OpenAI యొక్క ChatGPT-4 సిరీస్ మోడల్‌ల నుండి నిర్మించబడ్డాయి మరియు ఇన్-కాంటెక్స్ట్ లెర్నింగ్ అని పిలువబడే సాంకేతికతను ఉపయోగించాయి, దీనిలో అందించిన డేటా నుండి తెలుసుకోవడానికి అనుమతించేటప్పుడు సిస్టమ్‌లో మోడల్ పాత్ర గురించి ప్రాంప్ట్‌లు సందర్భోచిత సమాచారాన్ని అందిస్తాయి.

ఫ్రేమ్‌వర్క్‌లోని వ్యక్తిగత ఏజెంట్లు ఒకరితో ఒకరు పరస్పరం సంకర్షణ చెంది, వారిలో ఎవరూ ఒంటరిగా చేయలేని సంక్లిష్ట సమస్యను సమిష్టిగా పరిష్కరించుకుంటారు. వారికి ఇవ్వబడిన మొదటి పని పరిశోధన పరికల్పనను రూపొందించడం. నాలెడ్జ్ గ్రాఫ్ నుండి సబ్‌గ్రాఫ్ నిర్వచించిన తర్వాత LLM పరస్పర చర్యలు ప్రారంభమవుతాయి, ఇది యాదృచ్ఛికంగా లేదా పేపర్‌లలో చర్చించబడిన ఒక జత కీలకపదాలను మాన్యువల్‌గా నమోదు చేయడం ద్వారా జరుగుతుంది.

ఫ్రేమ్‌వర్క్‌లో, పరిశోధకులు “ఆంటాలజిస్ట్” అనే భాషా నమూనాను పేపర్‌లలో శాస్త్రీయ పదాలను నిర్వచించడం మరియు వాటి మధ్య సంబంధాలను పరిశీలించడం, నాలెడ్జ్ గ్రాఫ్‌ను బయటకు తీయడం వంటి బాధ్యతలను కలిగి ఉన్నారు. “సైంటిస్ట్ 1” అనే మోడల్ ఊహించని లక్షణాలు మరియు కొత్తదనాన్ని వెలికితీసే సామర్థ్యం వంటి అంశాల ఆధారంగా పరిశోధన ప్రతిపాదనను రూపొందించింది. ప్రతిపాదనలో సంభావ్య అన్వేషణల చర్చ, పరిశోధన యొక్క ప్రభావం మరియు చర్య యొక్క అంతర్లీన విధానాలపై అంచనా ఉన్నాయి. ఒక “సైంటిస్ట్ 2” మోడల్ ఆలోచనపై విస్తరిస్తుంది, నిర్దిష్ట ప్రయోగాత్మక మరియు అనుకరణ విధానాలను సూచిస్తుంది మరియు ఇతర మెరుగుదలలను చేస్తుంది. చివరగా, “క్రిటిక్” మోడల్ దాని బలాలు మరియు బలహీనతలను హైలైట్ చేస్తుంది మరియు మరిన్ని మెరుగుదలలను సూచిస్తుంది.

“అందరూ ఒకే విధంగా ఆలోచించని నిపుణుల బృందాన్ని నిర్మించడం గురించి” అని బ్యూలర్ చెప్పారు. “వారు విభిన్నంగా ఆలోచించాలి మరియు విభిన్న సామర్థ్యాలను కలిగి ఉండాలి. క్రిటిక్ ఏజెంట్ ఉద్దేశపూర్వకంగా ఇతరులను విమర్శించడానికి ప్రోగ్రామ్ చేయబడతారు, కాబట్టి మీరు అందరూ అంగీకరించి, ఇది గొప్ప ఆలోచన అని చెప్పలేరు. మీకు ఒక ఏజెంట్ ఉంది, ‘ఇక్కడ బలహీనత ఉంది, చేయగలదు. మీరు దీన్ని బాగా వివరిస్తారా?’ ఇది సింగిల్ మోడల్‌ల నుండి అవుట్‌పుట్‌ను చాలా భిన్నంగా చేస్తుంది.”

సిస్టమ్‌లోని ఇతర ఏజెంట్లు ఇప్పటికే ఉన్న సాహిత్యాన్ని శోధించగలరు, ఇది సిస్టమ్‌కు సాధ్యాసాధ్యాలను అంచనా వేయడానికి మాత్రమే కాకుండా ప్రతి ఆలోచన యొక్క కొత్తదనాన్ని సృష్టించడానికి మరియు అంచనా వేయడానికి కూడా ఒక మార్గాన్ని అందిస్తుంది.

వ్యవస్థను బలోపేతం చేయడం

వారి విధానాన్ని ధృవీకరించడానికి, బ్యూహ్లర్ మరియు గఫరోల్లాహి “సిల్క్” మరియు “ఎనర్జీ ఇంటెన్సివ్” అనే పదాల ఆధారంగా నాలెడ్జ్ గ్రాఫ్‌ను నిర్మించారు. ఫ్రేమ్‌వర్క్‌ను ఉపయోగించి, “సైంటిస్ట్ 1” మోడల్ మెరుగైన ఆప్టికల్ మరియు మెకానికల్ లక్షణాలతో బయోమెటీరియల్‌లను రూపొందించడానికి డాండెలైన్-ఆధారిత పిగ్మెంట్‌లతో పట్టును సమగ్రపరచాలని ప్రతిపాదించింది. సాంప్రదాయ పట్టు పదార్థాల కంటే పదార్థం చాలా బలంగా ఉంటుందని మరియు ప్రాసెస్ చేయడానికి తక్కువ శక్తి అవసరమని మోడల్ అంచనా వేసింది.

సైంటిస్ట్ 2 అప్పుడు ప్రతిపాదిత పదార్థాలు ఎలా సంకర్షణ చెందుతాయో అన్వేషించడానికి నిర్దిష్ట మాలిక్యులర్ డైనమిక్ సిమ్యులేషన్ సాధనాలను ఉపయోగించడం వంటి సూచనలు చేసింది, పదార్థం కోసం ఒక మంచి అప్లికేషన్ బయోఇన్స్‌పైర్డ్ అంటుకునేది అని జోడించింది. క్రిటిక్ మోడల్ ప్రతిపాదిత మెటీరియల్ యొక్క అనేక బలాలను మరియు దాని స్కేలబిలిటీ, దీర్ఘకాలిక స్థిరత్వం మరియు ద్రావణి వినియోగం యొక్క పర్యావరణ ప్రభావాలు వంటి మెరుగుదల కోసం ప్రాంతాలను హైలైట్ చేసింది. ఆ ఆందోళనలను పరిష్కరించడానికి, ప్రక్రియ ధ్రువీకరణ కోసం పైలట్ అధ్యయనాలను నిర్వహించాలని మరియు పదార్థ మన్నిక యొక్క కఠినమైన విశ్లేషణలను నిర్వహించాలని విమర్శకుడు సూచించారు.

పరిశోధకులు యాదృచ్ఛికంగా ఎంచుకున్న కీలకపదాలతో ఇతర ప్రయోగాలను కూడా నిర్వహించారు, ఇది మరింత సమర్థవంతమైన బయోమిమెటిక్ మైక్రోఫ్లూయిడ్ చిప్స్, కొల్లాజెన్ ఆధారిత పరంజా యొక్క యాంత్రిక లక్షణాలను పెంపొందించడం మరియు బయోఎలక్ట్రానిక్ పరికరాలను రూపొందించడానికి గ్రాఫేన్ మరియు అమిలాయిడ్ ఫైబ్రిల్స్ మధ్య పరస్పర చర్య గురించి వివిధ అసలు పరికల్పనలను రూపొందించింది.

“విజ్ఞాన గ్రాఫ్ నుండి మార్గం ఆధారంగా వ్యవస్థ ఈ కొత్త, కఠినమైన ఆలోచనలతో ముందుకు రాగలిగింది” అని గఫరోల్లాహి చెప్పారు. “నవీనత మరియు అనువర్తన పరంగా, పదార్థాలు బలంగా మరియు నవలగా అనిపించాయి. భవిష్యత్ పనిలో, మేము వేలాది లేదా పదివేల కొత్త పరిశోధన ఆలోచనలను రూపొందించబోతున్నాము, ఆపై మేము వాటిని వర్గీకరించవచ్చు, వీటిని ఎలా బాగా అర్థం చేసుకోవడానికి ప్రయత్నించండి. పదార్థాలు ఉత్పత్తి చేయబడతాయి మరియు వాటిని మరింత ఎలా మెరుగుపరచవచ్చు.”

ముందుకు వెళుతున్నప్పుడు, సమాచారాన్ని తిరిగి పొందడానికి మరియు అనుకరణలను వారి ఫ్రేమ్‌వర్క్‌లలో అమలు చేయడానికి కొత్త సాధనాలను చేర్చాలని పరిశోధకులు భావిస్తున్నారు. వారు మరింత అధునాతన మోడల్‌ల కోసం వారి ఫ్రేమ్‌వర్క్‌లలోని ఫౌండేషన్ మోడల్‌లను సులభంగా మార్చుకోవచ్చు, AIలోని తాజా ఆవిష్కరణలతో సిస్టమ్‌ను స్వీకరించడానికి అనుమతిస్తుంది.

“ఈ ఏజెంట్లు పరస్పర చర్య చేసే విధానం కారణంగా, ఒక మోడల్‌లో మెరుగుదల, అది స్వల్పంగా ఉన్నప్పటికీ, సిస్టమ్ యొక్క మొత్తం ప్రవర్తనలు మరియు అవుట్‌పుట్‌పై భారీ ప్రభావాన్ని చూపుతుంది” అని బ్యూలర్ చెప్పారు.

వారి విధానం యొక్క ఓపెన్-సోర్స్ వివరాలతో ప్రిప్రింట్‌ను విడుదల చేసినప్పటి నుండి, విభిన్న శాస్త్రీయ రంగాలలో మరియు ఫైనాన్స్ మరియు సైబర్‌సెక్యూరిటీ వంటి రంగాలలో ఫ్రేమ్‌వర్క్‌లను ఉపయోగించడానికి ఆసక్తి ఉన్న వందలాది మంది వ్యక్తులు పరిశోధకులను సంప్రదించారు.

“ప్రయోగశాలకు వెళ్లకుండానే మీరు చేయగలిగే అంశాలు చాలా ఉన్నాయి” అని బ్యూలర్ చెప్పారు. “ప్రాసెస్ చివరిలో మీరు ప్రాథమికంగా ల్యాబ్‌కు వెళ్లాలనుకుంటున్నారు. ల్యాబ్ ఖరీదైనది మరియు చాలా సమయం పడుతుంది, కాబట్టి మీరు ఉత్తమ ఆలోచనలను చాలా లోతుగా డ్రిల్ చేయగల వ్యవస్థను కోరుకుంటున్నారు, ఉత్తమ పరికల్పనలను రూపొందించారు మరియు ఖచ్చితంగా ఆవిర్భావాన్ని అంచనా వేస్తారు. ప్రవర్తనలు దీన్ని సులభతరం చేయడం, కాబట్టి మీరు కొత్త ఆవిష్కరణలు చేయడానికి మోడల్‌ను నిజంగా సవాలు చేయడానికి ఇతర ఆలోచనలను తీసుకురావడానికి లేదా డేటాసెట్‌లను లాగడానికి ఒక యాప్‌ని ఉపయోగించవచ్చు.”

పేపర్: “సైన్ ఏజెంట్స్: బయోఇన్‌స్పైర్డ్ మల్టీ-ఏజెంట్ ఇంటెలిజెంట్ గ్రాఫ్ రీజనింగ్ ద్వారా సైంటిఫిక్ డిస్కవరీని ఆటోమేట్ చేయడం”