UUSI kysely: Tekoälyagentit tieteelliseen löytämiseen. Tämä on yksi jännittävimmistä alueista vuoteen 2026 mentäessä. (kirjanmerkkaa tämä) Tämä uusi tutkimus esittelee SAGA:n (Scientific Autonomous Goal-evolving Agent), kaksitasoisen kehyksen, jossa ulkoinen silmukka automaattisesti kehittää tavoitteita ja sisäinen silmukka optimoi ratkaisuja. Miksi tämä artikkeli on iso juttu? Tieteellinen löytö vaatii iterointia siitä, mitä optimoidaan, ei pelkästään miten optimoida. Tämän objektiivisen evoluutiosilmukan automatisointi sulkee aukon, joka on tukahduttanut suurimman osan viimeaikaisesta tekoälypohjaisesta tieteellisestä tutkimuksesta. Sen sijaan, että tavoitesuunnittelua käsiteltäisiin kertaluonteisena ihmisen päätöksenä, SAGA tekee siitä dynaamisen, autonomisen löytämisprosessin. LLM-pohjainen suunnittelija ehdottaa uusia tavoitteita. Toteuttaja muuntaa ne suoritettaviksi pisteytysfunktioiksi. Optimoija etsii ratkaisuja. Analysaattori tarkastelee tuloksia ja tunnistaa, missä tavoitteet tarvitsevat tarkentamista. SAGA toimii kolmella automaatiotasolla: > kopilottitila, jossa tutkijat tekevät yhteistyötä objektiivisen evoluution parissa > puolipilotti, jossa tutkijat antavat vain palautetta analysaattorille > autopilotti, jossa sekä analyysi että suunnittelu ovat täysin automatisoituja Tulokset neljällä tieteellisellä alalla: Lääkeresistentin K. pneumoniaen antibioottisuunnittelussa SAGA saavuttaa parhaan tasapainon biologisen aktiivisuuden ja lääkekaltaisuuden välillä. Vaikka lähtötasot eivät joko optimoi aktiivisuutta tai saavuttavat korkeaa aktiivisuutta kemiallisesti epärealistisilla molekyyleillä, SAGA lisää dynaamisesti tavoitteita, kuten syntetisointirangaistukset ja aineenvaihdunnan stabiilisuuden suodattimet populaatiotason trendien analysoinnilla. Materiaalien suunnittelussa SAGA löysi 15 uutta vakaata rakennetta pysyville magneeteille, joilla oli pieni toimitusketjuriski, 200 DFT-laskelman sisällä, päihittäen MatterGenin (11 rakennettua). Erittäin kovissa materiaaleissa yli 90 % ehdotetuista kiteistä sisältää kevyitä alkuaineita, jotka ovat välttämättömiä kovuudelle, mikä vastaa kokeellisia tuloksia. DNA-sekvenssisuunnittelussa SAGA ylittää solutyyppikohtaisen tehostajasuunnittelun perusarvot jopa 176 %, parantaen spesifisyyttä 48 % ja motiivien rikastamista 47 %. Kemiallisessa prosessisuunnittelussa SAGA tunnistaa, että pelkkä tuotteen puhtauden optimointi johtaa tarpeettoman monimutkaisiin vuotoluetteloihin, ja lisää itsenäisesti tavoitteet pääomakustannuksille ja materiaalivirtojen intensiteetille. ...