여러 개의 Chat GPT 인스턴스를 결합하여 화학을 학습합니다.

인공지능의 급속한 발전에도 불구하고, 인공지능은 과학 분야에서 인간을 대체할 준비가 되어 있지 않습니다. 그러나 이것이 일상적인 과학 실험에서 발생하는 힘든 작업 중 일부를 자동화하는 데 도움을 줄 수 없다는 의미는 아닙니다. 예를 들어, 몇 년 전 연구자들은 자동화된 실험실 장비를 인공 지능에 제어하고 일련의 원자재 간에 발생할 수 있는 모든 상호 작용을 포괄적으로 분류하는 방법을 가르쳤습니다.

이것이 유용하기는 하지만, 애초에 시스템을 훈련시키기 위해서는 여전히 연구자들의 많은 개입이 필요합니다. 카네기 멜론 대학(Carnegie Mellon University)의 한 그룹은 이제 인공 지능 시스템이 화학 처리 방법을 스스로 학습하도록 만드는 방법을 알아냈습니다. 시스템에는 각각 서로 다른 프로세스에 특화된 3개의 AI 인스턴스 세트가 필요합니다. 하지만 일단 설정하고 원자재를 공급한 후에는 어떤 유형의 반응을 원하는지 알려주기만 하면 알아서 알아낼 것입니다.

인공지능 삼위일체

연구자들은 대규모 언어 모델(LLM)이 과학적 노력에 제공할 수 있는 기능을 이해하는 데 관심이 있다고 지적합니다. 따라서 이 작업에 사용된 모든 AI는 LLM(주로 GPT-3.5 및 GPT-4)이지만 다른 AI(Claude 1.3 및 Falcon-40B-Instruct)도 테스트되었습니다. (GPT-4와 Claude 1.3이 가장 좋은 성능을 발휘했습니다.) 그러나 화학의 모든 측면을 처리하기 위해 단일 시스템을 사용하는 대신, 연구자들은 “우주 세계”라고 부르는 노동 분업을 설정하는 데 있어 뚜렷한 협력 사례를 만들었습니다.

그들이 사용한 세 가지 시스템은 다음과 같습니다.

웹 검색자. 여기에는 두 가지 주요 기능이 있습니다. 하나는 Google 검색 API를 사용하여 포함된 정보로 인해 흡수할 가치가 있는 페이지를 찾는 것입니다. 두 번째는 해당 페이지를 수집하고 정보를 추출하는 것입니다. 이는 Chat GPT가 후속 답변을 알리기 위해 보관할 수 있는 대화의 이전 부분의 컨텍스트와 유사하다고 생각하세요. 연구원들은 이 장치가 시간을 보내는 곳을 추적할 수 있었고, 방문한 장소 중 약 절반이 위키피디아 페이지였습니다. 방문한 상위 5개 사이트에는 American Chemical Society와 Royal Society of Chemistry에서 발행한 저널이 포함되었습니다.

문서 연구원. 이것을 다음과 같이 생각하십시오. RTFM 예. AI는 자동화된 액체 처리기 등과 같은 다양한 실험실 자동화 장비에 대한 제어권을 부여받았으며, 종종 특수 명령이나 Python API와 같은 것을 통해 제어되었습니다. 이 AI 인스턴스에는 해당 장치의 모든 설명서에 대한 액세스 권한이 부여되어 제어 방법을 배울 수 있습니다.

계획. 플래너는 다른 AI 인스턴스 모두에 명령을 내리고 응답을 처리할 수 있습니다. Python 코드 실행 샌드박스에 액세스하여 계산을 수행할 수 있습니다. 그는 또한 자동화된 실험실 장비에 접근할 수 있어 가상으로 실험을 수행하고 분석할 수 있습니다. 따라서 플래너는 화학자처럼 행동하고 문헌에서 배우고 장비를 사용하여 배운 내용을 구현해야 하는 시스템의 일부로 생각할 수 있습니다.

또한 플래너는 프로그래밍 오류가 발생하는 시기(Python 스크립트 또는 자동화된 기계를 제어하려는 시도에서)를 식별하여 오류를 수정할 수 있습니다.

시스템을 활용해 보세요

처음에 시스템은 아세트아미노펜, 이부프로펜과 같은 여러 화학물질을 합성하도록 요청받았으며, 웹과 과학 문헌을 검색한 후 일반적으로 실행 가능한 제제를 발견할 수 있음을 확인했습니다. 따라서 문제는 시스템이 개념적 용량을 촉발할 만큼 충분히 접근 가능한 장치를 감지할 수 있는지 여부입니다.

간단한 것부터 시작하기 위해 연구원들은 직사각형 격자로 배열된 작은 웰의 배열을 포함하는 표준 샘플 플레이트를 사용했습니다. 시스템은 다양한 색상의 액체를 사용하여 사각형, 대각선 또는 기타 패턴을 채우도록 요청받았으며 이를 효과적으로 수행할 수 있었습니다.

계속해서 그들은 유정 네트워크의 무작위 위치에 세 가지 다른 색상의 솔루션을 배치했습니다. 시스템은 우물과 그 색깔이 무엇인지 식별하도록 요청받았습니다. Coscientist 자체로는 이 작업을 수행하는 방법을 몰랐습니다. 그러나 그는 서로 다른 색상이 서로 다른 흡수 스펙트럼을 나타낸다는 사실을 상기하고 자신이 접근할 수 있는 분광계를 사용하여 서로 다른 색상을 식별할 수 있었습니다.

기본적인 명령과 제어가 작동하는 것처럼 보이는 상황에서 연구원들은 몇 가지 화학을 시도하기로 결정했습니다. 그들은 샘플 플레이트에 간단한 화학 물질, 촉매 등을 채운 웰을 장착하고 특정 화학 반응을 수행하도록 요청했습니다. 우주론자는 처음부터 화학을 올바르게 이해했지만 합성이 작동하도록 하려는 그의 시도는 실패했습니다. 왜냐하면 반응을 가열하고 구동하는 기계에 잘못된 명령을 보냈기 때문입니다. 이를 통해 그는 문서 모듈로 돌아가 문제를 수정하고 상호 작용을 실행할 수 있었습니다.

그리고 그것은 효과가 있었습니다. 원하는 생성물의 스펙트럼 지문이 반응 혼합물에 존재했고, 그 존재는 크로마토그래피로 확인되었습니다.

개선하다

연구진은 기본적인 반응이 작동한 상태에서 시스템에 반응의 효율성을 최적화하도록 요청했고, 반응의 결과에 따라 점수가 오르는 게임으로 최적화 과정을 제시했습니다.

시스템은 첫 번째 테스트 피드백에서 몇 가지 잘못된 추측을 내렸지만 빠르게 더 나은 결과를 얻는 데 집중했습니다. 연구자들은 또한 몇 가지 무작위 초기 혼합에 의해 생성된 결과에 대한 정보를 Coscientist에게 제공함으로써 첫 번째 라운드에서 잘못된 선택을 피할 수 있다는 것을 발견했습니다. 이는 Coscientist가 정보를 어디서 얻든(자체 피드백이든 외부 정보 소스에서든) 정보를 계획에 통합할 수 있음을 의미합니다.

연구원들은 Coscientist가 다음과 같은 여러 가지 주목할만한 능력을 가지고 있다고 결론지었습니다.

• 일반 정보를 활용하여 화학 합성을 계획합니다.
• 복잡한 장치에 대한 기술 매뉴얼을 탐색하고 처리합니다.
• 해당 지식을 사용하여 다양한 실험실 장비를 제어하십시오.
• 이러한 계측 기능을 실험실 작업 흐름에 통합하십시오.
• 그의 반응을 분석하고 그 정보를 사용하여 개선된 반응 조건을 설계하십시오.

여러 면에서 이는 학생이 대학원 첫 해에 겪을 수 있는 경험과 비슷해 보입니다. 이상적으로 대학원생은 이 이상으로 발전할 것입니다. 하지만 아마도 GPT-5도 그렇게 할 수 있을 것입니다.

더욱 위험한 점은 다수의 전문화된 시스템의 상호작용에 의존하는 coscientist 아키텍처가 마음이 작동하는 방식과 유사하다는 것입니다. 분명히 특수화된 뇌 시스템은 광범위한 활동을 수행할 수 있으며 그 중 상당수가 존재합니다. 그러나 이러한 종류의 구조는 보다 복잡한 동작을 가능하게 하는 데 중요할 수 있습니다.

그러나 연구자들은 coscientist의 능력 중 일부에 대해 우려하고 있습니다. 우리가 제조하기가 더 쉽다고 보고 싶지 않은 화학 물질(신경 작용제 같은 것)이 많이 있습니다. GPT 인스턴스에 어떤 작업을 하지 말라고 지시하는 방법을 알아내는 것은 끊임없는 도전입니다.

자연2023. 디지털 ID: 10.1038/s41586-023-06792-0 (디지털 ID 정보)