EPFL araştırmacıları, bilim insanlarının hangi deneyi sıradaki adım olarak yapacağına karar vermesine yardımcı olan bir yapay zekâ yöntemi geliştirdi. GOLLuM adlı sistem, kimya ve malzeme bilimi alanlarındaki 23 karşılaştırma görevinde, başarılı deney koşullarını geleneksel yöntemlerden daha hızlı buldu.
Yeni bir ilaç molekülü, verimli bir kimyasal tepkime veya daha iyi bir malzeme geliştirilirken araştırmacıların önünde binlerce olası seçenek bulunabiliyor. Her seçeneği laboratuvarda denemek mümkün olmadığı için bilimsel ilerleme, çoğu zaman doğru soruyu doğru sırada sormaya bağlı: Bir sonraki deney hangisi olmalı?
İsviçre Federal Teknoloji Enstitüsü Lozan’dan (EPFL) araştırmacılar, bu seçimi kolaylaştırmak amacıyla GOLLuM adlı bir yöntem geliştirdi. Nature Machine Intelligence dergisinde yayımlanan çalışma, büyük dil modellerini belirsizliği ölçebilen istatistiksel bir modelle bir araya getiriyor. Amaç, yapay zekânın yalnızca umut verici görünen deneyler önermesi değil, hangi tahminlerinden ne ölçüde emin olunabileceğini de hesaba katması.
Dil modellerinin zayıf noktası: İkna edici ama geçersiz öneriler
Büyük dil modelleri bilimsel metinlerdeki bilgileri kullanarak deney önerileri üretebiliyor. Ancak bir önerinin güvenle ifade edilmesi, uygulanabilir ya da doğru olduğu anlamına gelmiyor. Araştırmacılar, dil modellerinden kimyasal deney koşullarını doğrudan seçmelerini istediklerinde uydurulmuş kimyasal yapılar, aynı koşulların tekrar önerilmesi ve izin verilen seçeneklerin dışına çıkılması gibi sorunlarla karşılaştı. İncelenen modellere göre başarısız önerilerin oranı yaklaşık yüzde 10 ile yüzde 80 arasında değişti.
Deney seçimi için kullanılan Bayesçi optimizasyon ise geçmiş deneylerin sonuçlarından yararlanarak yeni seçeneklerin hem olası başarısını hem de belirsizliğini tahmin ediyor. Ancak bu yaklaşım çoğu zaman her araştırma problemi için uzmanların özel veri tanımları hazırlamasını gerektiriyor. Bir kimyasal tepkimeyi incelemek üzere hazırlanan tanımlar, başka bir malzeme araştırmasına kolayca aktarılamayabiliyor.
GOLLuM, bu iki yaklaşımın güçlü yönlerini birleştiriyor. Dil modeli deneylerin metinle anlatılan koşullarını işlerken, Gauss süreci adı verilen olasılıksal model tahminlerdeki belirsizliği değerlendiriyor. Sistem yeni deney sonuçlarından öğrendikçe benzer sonuç veren koşulları birbirine yakın, farklı sonuç verenleri ise uzak konumlandıran bir iç harita oluşturuyor. Bu harita, sıradaki deneyin seçilmesine yardımcı oluyor.
Başlıktaki “şüphe” bu nedenle bir mecaz: Yapay zekâ insana özgü bir kuşku yaşamıyor; tahminindeki belirsizliği sayısal olarak değerlendiriyor.
50 deneylik karşılaştırmada daha başarılı sonuç
Araştırmacılar yöntemi organik sentez, proses kimyası, malzeme ve kataliz araştırmaları ile moleküler özelliklerin geliştirilmesini kapsayan 23 görevde sınadı. Her görev, düşük performans göstermiş 10 deney sonucuyla başladı. Ekip, sistemi her görev için ayrı ayrı ayarlamak yerine aynı genel yapılandırmayı kullandı.
50 deneylik karşılaştırmada GOLLuM’un seçtiği koşulların yüzde 36,3’ü, olası sonuçlar arasındaki en başarılı yüzde 5’lik dilime girdi. Uzmanlarca hazırlanmış veri tanımlarını kullanan geleneksel Bayesçi optimizasyonda bu oran yüzde 29,7 oldu. Araştırmacılara göre GOLLuM, geleneksel yöntemin ulaştığı performansa yüzde 40’tan fazla daha az deney yaparak erişti.
Belirli bir kimyasal tepkime türünü inceleyen karşılaştırmada da modelin eğitilmesi, yüksek verimli koşulları bulma oranını yüzde 24’ten yüzde 43’e çıkardı. Araştırmacılar, sistemin başarılı ve başarısız tepkimeleri iç haritasında kimyasal açıdan anlamlı biçimde ayırabildiğini de gözledi.
Laboratuvardaki karşılığı henüz ayrıca sınanmalı
Sonuçlar, sınırlı sayıda deney yapılabilecek araştırmalarda daha iyi seçeneklere daha erken ulaşılabileceğine işaret ediyor. Bununla birlikte çalışmadaki performans ölçümleri mevcut veriler üzerinde yürütülen karşılaştırma görevlerinden geliyor. Her gerçek laboratuvarda aynı ölçüde zaman veya maliyet tasarrufu sağlanacağı henüz gösterilmiş değil.
Araştırmanın ortaya koyduğu temel fikir, bilimsel çalışmalarda yapay zekâya yalnızca “Ne yapalım?” diye sormakla yetinmemek. Bir önerinin ne kadar umut verici olduğu kadar, o öneriye ilişkin belirsizliğin de değerlendirilmesi gerekiyor. GOLLuM, deney seçimini bu iki bilgiyi birlikte kullanarak iyileştirmeyi hedefliyor.
Kaynaklar: EPFL News, Bojana Ranković, Ryan-Rhys Griffiths ve Philippe Schwaller
