آیا آزمایشگاه‌های شیمی مبتنی بر هوش مصنوعی واقعاً کار می‌کنند؟

حوزه‌های شیمی و علم مواد شاهد افزایش علاقه به «آزمایشگاه‌های خودران» هستند که از هوش مصنوعی (AI) و سیستم‌های خودکار برای تسریع تحقیقات و کشف استفاده می‌کنند. اکنون محققان مجموعه‌ای از تعاریف و معیارهای عملکرد را پیشنهاد می‌کنند که به محققان، غیرمتخصصان و کاربران آینده این امکان را می‌دهد تا بهتر درک کنند که این فناوری‌های جدید چه می‌کنند و عملکرد هر فناوری در مقایسه با سایر آزمایشگاه‌های خودران. یافته های آنها اخیراً در Nature Communications منتشر شده است .

آزمایشگاه‌های خودران برای تسریع در کشف مولکول‌ها، مواد و فرآیندهای تولید جدید، با کاربردهای مختلف از دستگاه‌های الکترونیکی گرفته تا داروسازی، نوید فوق‌العاده‌ای دارند. در حالی که فناوری‌ها هنوز نسبتاً جدید هستند، برخی نشان داده‌اند که زمان مورد نیاز برای شناسایی مواد جدید را از ماه‌ها یا سال‌ها به روز کاهش می‌دهند.

میلاد ابوالحسنی، نویسنده مسئول مقاله در مورد معیارهای جدید و دانشیار مهندسی شیمی و بیومولکولی می‌گوید: «آزمایشگاه‌های خودران در حال حاضر توجه زیادی را به خود جلب کرده‌اند، اما سؤالات برجسته زیادی در مورد این فناوری‌ها وجود دارد. در دانشگاه ایالتی کارولینای شمالی «این فناوری به عنوان «خودمختار» توصیف می‌شود، اما تیم‌های تحقیقاتی مختلف «خودمختار» را متفاوت تعریف می‌کنند. به همین ترتیب، تیم های تحقیقاتی مختلف عناصر مختلف کار خود را به روش های مختلف گزارش می کنند. این امر مقایسه این فناوری ها را با یکدیگر دشوار می کند و اگر بخواهیم بتوانیم از یکدیگر یاد بگیریم و میدان را به جلو ببریم، مقایسه مهم است.

«آزمایشگاه خودران A واقعاً چه کاری را به خوبی انجام می دهد؟ چگونه می توانیم از آن برای بهبود عملکرد آزمایشگاه خودران B استفاده کنیم؟ ما مجموعه‌ای از تعاریف و معیارهای عملکرد مشترک را پیشنهاد می‌کنیم، که امیدواریم توسط همه افرادی که در این فضا کار می‌کنند، استفاده شود. هدف نهایی این خواهد بود که به همه ما اجازه دهیم از یکدیگر بیاموزیم و این فناوری های شتاب تحقیقاتی قدرتمند را پیش ببریم.

ابوالحسنی می‌گوید: «به‌عنوان مثال، به‌نظر می‌رسد در آزمایشگاه‌های خودران شاهد چالش‌هایی در رابطه با عملکرد، دقت و استحکام برخی از سیستم‌های خودران هستیم». «این سؤالاتی را در مورد اینکه چقدر این فناوری‌ها می‌توانند مفید باشند، ایجاد می‌کند. اگر معیارهای استاندارد و گزارش نتایج را داشته باشیم، می‌توانیم این چالش‌ها را شناسایی کرده و نحوه رسیدگی به آنها را بهتر درک کنیم.»

در هسته پیشنهاد جدید، تعریف روشنی از آزمایشگاه‌های خودران و هفت معیار عملکرد پیشنهادی وجود دارد که محققان آن‌ها را در هر کار منتشر شده مرتبط با آزمایشگاه‌های خودران خود لحاظ می‌کنند.

• درجه استقلال: یک سیستم به چه مقدار راهنمایی از کاربران نیاز دارد؟
• طول عمر عملیاتی: چه مدت سیستم می تواند بدون دخالت کاربران کار کند؟
• عملکرد: چه مدت طول می کشد تا سیستم یک آزمایش را اجرا کند؟
• دقت آزمایشی: نتایج سیستم چقدر قابل تکرار هستند؟
• استفاده از مواد: مقدار کل مواد استفاده شده توسط یک سیستم برای هر آزمایش چقدر است؟
• فضای پارامتر قابل دسترسی: سیستم تا چه حد می تواند همه متغیرهای هر آزمایش را در نظر بگیرد؟
• کارایی بهینه سازی

ابوالحسنی می‌گوید: «کارایی بهینه‌سازی یکی از مهم‌ترین این معیارها است، اما در عین حال یکی از پیچیده‌ترین آن‌ها است – این خود را به تعریف مختصری نمی‌رساند. اساساً، ما از محققان می‌خواهیم که عملکرد آزمایشگاه خودران خود و الگوریتم انتخاب آزمایشی آن را با محک زدن آن در برابر یک خط مبنا – به عنوان مثال، نمونه‌گیری تصادفی – تجزیه و تحلیل کمی کنند.

در نهایت، ما فکر می‌کنیم که داشتن یک رویکرد استاندارد برای گزارش‌دهی در مورد آزمایشگاه‌های خودران کمک می‌کند تا اطمینان حاصل شود که این زمینه نتایج قابل اعتماد و قابل تکراری تولید می‌کند که از برنامه‌های هوش مصنوعی که از مجموعه داده‌های بزرگ و باکیفیت تولید شده توسط خود بیشترین استفاده را می‌کنند، استفاده می‌کنند. ابوالحسنی می گوید: آزمایشگاه های رانندگی.

– این بیانیه مطبوعاتی در ابتدا در وب سایت دانشگاه ایالتی کارولینای شمالی منتشر شد