NOWA ankieta: Agenci AI w odkrywaniu naukowym. To jedna z najbardziej ekscytujących dziedzin w 2026 roku. (zapisz to) Niniejsze badanie wprowadza SAGA (Naukowy Autonomiczny Agent Ewolucji Celów), dwupoziomowy framework, w którym zewnętrzna pętla automatycznie ewoluuje cele, podczas gdy wewnętrzna pętla optymalizuje rozwiązania. Dlaczego ten artykuł jest tak ważny? Odkrywanie naukowe wymaga iteracji nad tym, co optymalizować, a nie tylko jak optymalizować. Automatyzacja tej pętli ewolucji celów zamyka lukę, która spowolniła większość ostatnich badań naukowych napędzanych przez AI. Zamiast traktować projektowanie celów jako jednorazową decyzję ludzką, SAGA czyni z niego dynamiczny, autonomiczny proces odkrywania. Planista oparty na LLM proponuje nowe cele. Wdrażający przekształca je w wykonalne funkcje oceny. Optymalizator poszukuje rozwiązań. Analityk bada wyniki i identyfikuje, gdzie cele wymagają udoskonalenia. SAGA działa na trzech poziomach automatyzacji: > tryb współpilotowania, w którym naukowcy współpracują nad ewolucją celów > półpilot, w którym naukowcy tylko udzielają informacji zwrotnej analitykowi > tryb autopilota, w którym zarówno analiza, jak i planowanie są w pełni zautomatyzowane Wyniki w czterech dziedzinach naukowych: W projektowaniu antybiotyków dla opornych na leki K. pneumoniae, SAGA osiąga najlepszą równowagę między aktywnością biologiczną a podobieństwem do leków. Podczas gdy podstawowe metody albo nie optymalizują aktywności, albo osiągają wysoką aktywność przy chemicznie nierealistycznych cząsteczkach, SAGA dynamicznie dodaje cele, takie jak kary za syntezowalność i filtry stabilności metabolicznej, na podstawie analizy trendów na poziomie populacji. W projektowaniu materiałów, SAGA znalazła 15 nowych stabilnych struktur dla magnesów trwałych z niskim ryzykiem w łańcuchu dostaw w ramach 200 obliczeń DFT, przewyższając MatterGen (11 struktur). W przypadku materiałów supertwardych, ponad 90% proponowanych kryształów zawiera lekkie pierwiastki niezbędne do twardości, co jest zgodne z wynikami eksperymentalnymi. W projektowaniu sekwencji DNA, SAGA przewyższa podstawowe metody w projektowaniu wzmacniaczy specyficznych dla typu komórkowego o nawet 176%, z 48% poprawą w specyficzności i 47% w wzbogaceniu motywów. W projektowaniu procesów chemicznych, SAGA identyfikuje, że optymalizacja tylko pod kątem czystości produktu prowadzi do niepotrzebnie skomplikowanych schematów przepływu, a następnie autonomicznie dodaje cele dotyczące kosztów kapitałowych i intensywności przepływu materiałów. ...