Применение ИИ в науке - необозримая тема, в частности потому, что ИИ - это далеко не только LLM. Пожалуй, самый большой прорыв - это предсказание трехмерной формы белка по его первичной структуре, поставленное на поток (за это нобелевскую премию по химии в 2024 году дали). Это была мечта, потому что первичную структуру определить просто (секвенированием), а трехмерную - долго и сложно (рентгеном), а для биологической функции белка важна именно трехмерная структура. Теперь многие биологические исследования станут намного быстрее и проще.
Также позволю себе самоцитату.
Компания Google DeepMind в статье (Merchant et al., 2023) представила нейросеть GNoME (graph networks for materials exploration). Это графовая нейросеть для предсказания устойчивых неорганических кристаллов. Она предсказала 381 000 кристаллов, устойчивых согласно расчетам по теории функционала плотности (density functional theory, DFT). При этом в базах данных Materials Project, OQMD, AFLOWLIB и NOMAD авторы насчитали всего 48 000 стабильных кристаллов, даже дополнив голые данные собственными (без GNoME) расчетами по DFT. То есть, если прогнозы GNoME подтвердятся, количество известных стабильных кристаллов вырастет на порядок. При этом авторы обнаружили в литературе 736 синтезированных кристаллов, отсутствовавших в обучающей выборке, но предсказанных GNoME.
Одновременно в статье (Szymanski et al, 2023) представлена автоматизированная лаборатория A-Lab. Платформа состоит из нескольких систем ИИ, робота-манипулятора и стандартного химического оборудования.
A-Lab выполняет задания «синтезируй это, сама придумаешь, как». Инструкции для синтеза она вырабатывает самостоятельно. Здесь первую скрипку играет языковая модель, обученная на научных статьях. Но, насколько я понял без детального вчитывания в статью, в нее еще и руками заложены какие-то алгоритмы и эвристики. Робот синтезирует вещество, выполняет рентгеноструктурный анализ и решает, похож ли результат на целевой продукт. Т.е. тут и компьютерное зрение в полный рост, как на этапе размахивания пробирками, так и на этапе анализа рентгенограмм. Если результат плох, вырабатывается новый алгоритм синтеза.
Согласно статье, за 17 дней A-Lab синтезировала 41 соединение из 58 целевых (само собой, ни одного из них не было в обучающей выборке). По-моему, более чем приличный результат для задачи такой сложности.
ЛитератураMerchant, A., Batzner, S., Schoenholz, S.S. et al. Scaling deep learning for materials discovery. Nature (2023).
https://doi.org/10.1038/s41586-023-06735-9Szymanski, N.J., Rendy, B., Fei, Y. et al. An autonomous laboratory for the accelerated synthesis of novel materials. Nature (2023).
https://doi.org/10.1038/s41586-023-06734-wПопулярно в
блоге Google DeepMind.
Ну и вообще сейчас чуть ли не в каждой второй статье "...а потом мы обучили нейросеть", от
зрения грызунов.
Мода на применение ИИ в науке вызывает закономерные опасения в связи с тем, что недостаточно аккуратное использование ИИ ухудшает воспроизводимость и повышает вероятность ложных результатов. В связи с этим есть попытки выработать
использования ИИ в науке.
Вообще на тему "ИИ и наука" много публикаций, например (более или менее первое попавшееся):
