NUOVA Indagine: Agenti AI per la Scoperta Scientifica. Questa è una delle aree più entusiasmanti che si stanno sviluppando verso il 2026. (aggiungi ai segnalibri) Questa nuova ricerca introduce SAGA (Agente Scientifico Autonomo in Evoluzione degli Obiettivi), un framework a due livelli in cui il ciclo esterno evolve automaticamente gli obiettivi mentre il ciclo interno ottimizza le soluzioni. Perché questo documento è così importante? La scoperta scientifica richiede di iterare su cosa ottimizzare, non solo su come ottimizzare. Automatizzare questo ciclo di evoluzione degli obiettivi chiude un gap che ha bloccato la maggior parte della recente ricerca scientifica guidata dall'AI. Invece di trattare la progettazione degli obiettivi come una decisione umana una tantum, SAGA la trasforma in un processo di scoperta dinamico e autonomo. Un pianificatore basato su LLM propone nuovi obiettivi. Un implementatore li converte in funzioni di scoring eseguibili. Un ottimizzatore cerca soluzioni. Un analizzatore esamina i risultati e identifica dove gli obiettivi necessitano di affinamento. SAGA opera a tre livelli di automazione: > modalità co-pilota, in cui gli scienziati collaborano all'evoluzione degli obiettivi > semi-pilota dove gli scienziati forniscono solo feedback all'analizzatore > pilota automatico dove sia l'analisi che la pianificazione sono completamente automatizzate Risultati in quattro domini scientifici: Nella progettazione di antibiotici per K. pneumoniae resistenti ai farmaci, SAGA raggiunge il miglior equilibrio tra attività biologica e somiglianza ai farmaci. Mentre le linee di base o non riescono a ottimizzare l'attività o raggiungono un'alta attività con molecole chimicamente irrealistiche, SAGA aggiunge dinamicamente obiettivi come penalità di sintetizzabilità e filtri di stabilità metabolica basati sull'analisi delle tendenze a livello di popolazione. Nella progettazione di materiali, SAGA ha trovato 15 nuove strutture stabili per magneti permanenti con basso rischio di catena di approvvigionamento in 200 calcoli DFT, superando MatterGen (11 strutture). Per i materiali superduri, oltre il 90% dei cristalli proposti contiene elementi leggeri essenziali per la durezza, in linea con i risultati sperimentali. Nella progettazione di sequenze di DNA, SAGA supera le linee di base nella progettazione di potenziatori specifici per tipo cellulare fino al 176%, con un miglioramento del 48% nella specificità e del 47% nell'arricchimento dei motivi. Nella progettazione di processi chimici, SAGA identifica che ottimizzare solo per la purezza del prodotto porta a flussi di lavoro inutilmente complessi, quindi aggiunge autonomamente obiettivi per i costi di capitale e l'intensità del flusso di materiali. ...