Kételkedni tanították az AI-t, hogy jobb kísérleteket válasszon

A kísérleti lehetőségek között kell eligazodni

A tudósok ma hatalmas számú molekulát, anyagot és kémiai reakciót vizsgálhatnak számítógépes eszközökkel. A laboratóriumi tesztelés azonban lassú és költséges, ezért fontos kérdés, hogy a lehetséges beállítások közül melyiket érdemes következőként kipróbálni.

Erre használható a Bayes-i optimalizálás. A módszer a korábbi eredményekből tanul, megbecsüli, mely lehetőségek ígéretesek, és azt is jelzi, mennyire bizonytalan az előrejelzése. Így a kutatók azokra a kísérletekre összpontosíthatnak, amelyek a legtöbb hasznos információt adhatják.

A hagyományos megközelítés ugyanakkor nehezen vihető át egyik tudományterületről a másikra. Egy kémiai reakciók kiválasztására hatékony modell például nem feltétlenül működik jól anyagok vagy molekulák tervezésénél.

A bizonytalanság lett a tanítási jel

Bojana Ranković és Philippe Schwaller, az EPFL Laboratory of Artificial Chemical Intelligence kutatói a nagy nyelvi modellt egy Gauss-folyamattal kapcsolták össze. Ez egy valószínűségi modell, amelyet a Bayes-i optimalizálásban is használnak, és képes számszerűsíteni az egyes lehetőségek teljesítményével kapcsolatos bizonytalanságot.

A GOLLuM, vagyis a Gaussian Process Optimized LLMs, nem arra kéri a nyelvi modellt, hogy közvetlenül válassza ki a következő kísérletet. A rendszer a Gauss-folyamat bizonytalansági és teljesítményértékeléséből tanítja a modellt. A korábbi kísérletek eredményei alapján így átrendezi a lehetséges beállítások belső térképét: a hasonlóan viselkedő feltételek közelebb kerülnek egymáshoz, az eltérő eredményt adók pedig távolabb.

„A nyelvi modellek közismerten rosszul ismerik fel, mikor tévednek. A GOLLuM-ban ez a bizonytalanság lesz a tanításuk jele” , mondta Bojana Ranković, aki doktori kutatása során hozta létre a módszert.

A megoldás egyik célja, hogy a tudományos információkat szöveges formában kezelő nagy nyelvi modellek széles ismereteit olyan valószínűségi modellel egészítse ki, amely kifejezetten számol a bizonytalansággal. Ez azért fontos, mert a nyelvi modellek magabiztos válasza önmagában nem jelzi megbízhatóan, hogy a javaslat helyes-e. A hibás javaslatok időigényes és költséges irányba küldhetik a kutatókat.

23 tesztfeladaton vizsgálták a módszert

A kutatók 23 tesztfeladaton értékelték a GOLLuM-ot. A feladatok között szerves szintézis, analitikai és folyamatkémia, anyagok és katalízis, valamint molekulatulajdonságok optimalizálása szerepelt. Minden futtatás tíz gyengén teljesítő megfigyeléssel indult, és a csapat ugyanazt a GOLLuM-beállítást használta az összes feladaton.

A 23 teszten a GOLLuM átlagosan az első helyen végzett, és következetesebben talált jó kísérleti feltételeket, mint a szakértők által megtervezett jellemzőkre épülő Bayes-i optimalizálás. Ötven kísérletből a GOLLuM által tesztelt feltételek 36,3 százaléka a lehetséges eredmények legjobb 5 százalékába tartozott, míg a hagyományos módszernél ez az arány 29,7 százalék volt.

A rendszer a kutatók szerint több mint 40 százalékkal kevesebb kísérlettel ért el a hagyományos módszerekhez hasonló eredményt. A közvetlenül kísérleteket választó, GOLLuM nélkül használt nyelvi modellek teljesítménye ezzel szemben 10 és körülbelül 80 százalék közötti hibaarányt mutatott. A problémák között kitalált kémiai struktúrák, ismétlődő feltételek és a megengedett keresési téren kívüli javaslatok szerepeltek.

A kutatók szöveges leírásból indíthatják az optimalizálást

Philippe Schwaller szerint a módszer lehetővé teszi, hogy a kutatók már az első naptól elindítsák a kísérleti optimalizálási kampányokat, ahelyett hogy hónapokig az eljárások legjobb leírását és a jellemzők kiszámítását készítenék elő. A megközelítés közvetlenül a kísérleti eljárás egyszerű angol nyelvű leírásán optimalizál.

Az EPFL közlése szerint a GOLLuM-ról szóló tanulmány 2026. augusztus 28-án jelent meg a Nature Machine Intelligence folyóiratban. A kutatást a Svájci Nemzeti Tudományos Alapítvány NCCR Catalysis programja támogatta, a kód pedig a kutatócsoport GitHub-oldalán érhető el.