Una nueva herramienta para el descubrimiento científico con IA

En un artículo publicado en Inteligencia de la máquina de la naturalezaun equipo australiano dirigido por investigadores de la Universidad de Monash ha desarrollado una herramienta de IA generativa que imita a los científicos para apoyar y acelerar el proceso de descubrimientos científicos.

Nombrado LLM4SD (Language Modelo 4 Scientific Discovery), el nuevo sistema de IA es una herramienta interactiva del modelo de lenguaje grande (LLM) que puede llevar a cabo pasos básicos de investigación científica, es decir, recuperar información útil de la literatura y desarrollar hipótesis a partir del análisis de datos. La herramienta está disponible gratuitamente y de código abierto.

Cuando se le pregunta, el sistema también puede proporcionar información para explicar sus resultados, una característica que no está disponible para muchas herramientas de validación científica actuales.

LLM4SD se probó con 58 tareas de investigación separadas relacionadas con propiedades moleculares en cuatro dominios científicos diferentes: fisiología, química física, biofísica y mecánica cuántica.

Coautor principal de la investigación, Ph.D. El candidato Yizhen Zheng, es del Departamento de Ciencia de Datos y IA en la Facultad de Tecnología de la Información de la Universidad de Monash.

“Al igual que ChatGPT escribe ensayos o resuelve problemas de matemáticas, nuestra herramienta LLM4SD dice décadas de literatura científica y analiza datos de laboratorio para predecir cómo se comportan las moléculas, preguntas de respuesta como, ‘¿Puede este medicamento cruzar la barrera protectora del cerebro?’ ¿O “se disolverá este compuesto en agua?”, Dijo Zheng.

“Además de superar las herramientas de validación actual que funcionan como una ‘caja negra’, este sistema puede explicar su proceso de análisis, predicciones y resultados utilizando reglas simples, que pueden ayudar a los científicos a confiar y actuar sobre sus ideas”.

La herramienta LLM4SD superó a las herramientas científicas de última generación que se utilizan actualmente para llevar a cabo estas tareas; Por ejemplo, aumentó la precisión de hasta un 48% en la predicción de propiedades cuánticas críticas para el diseño de materiales.

Los coautores principales del estudio incluyen Ph.D. El candidato Huan Yee Koh, que se encuentra conjuntamente en el Departamento de Ciencia de Datos de la Universidad de Monash y la IA y el Instituto de Ciencias Farmacéuticas de Monash, y Ph.D. candidato Jiaxin Ju de la Escuela de Tecnología de la Información y Comunicación de la Universidad de Griffith.

“En lugar de reemplazar los modelos tradicionales de aprendizaje automático, LLM4SD los mejora sintetizando el conocimiento y generando explicaciones interpretables”, dijo Ju.

“Este enfoque asegura que las predicciones impulsadas por la IA sigan siendo confiables y accesibles para los investigadores en diferentes disciplinas científicas”, agregó Koh.

El científico de datos, experto en IA y coautor de la investigación, profesor Geoff Webb de la Facultad de Tecnología de la Información de Monash, dijo que LLM puede imitar con precisión la clave descubrimiento científico Habilidades de sintetizar el conocimiento de la literatura y el desarrollo de hipótesis mediante la interpretación de datos.

“Ya estamos completamente inmersos en la era de la IA generativa y debemos comenzar a aprovechar esto tanto como sea posible para avanzar en la ciencia, al tiempo que aseguramos que la estamos desarrollando éticamente”, dijo el profesor Webb.

“Esta herramienta tiene el potencial de facilitar el proceso de descubrimiento de fármacos, más rápido y más preciso y convertirse en un apoyo de investigación sobrealimentado para los científicos en todos los campos de todo el mundo”.

El coautor de investigación, el profesor Shirui Pan es un minería de datos y experto en aprendizaje automático y un futuro Future de ARC con la Escuela de Tecnología de la Información y Comunicación de la Universidad de Griffith.

“Un modelo como LLM4SD puede sintetizar rápidamente décadas de conocimiento previo y luego darse la vuelta para detectar nuevos patrones en los datos que podrían no ser ampliamente informados”, dijo el profesor Pan.

“Vemos esto como un desarrollo clave para acelerar los procesos de investigación y desarrollo y más allá”.