نقد یک نشریه در طبیعت سال گذشته که کشف بیش از 40 ماده جدید با استفاده از یک آزمایشگاه خودمختار با هدایت هوش مصنوعی را گزارش کرد، به این نتیجه رسید که هیچ ماده جدیدی کشف نشده است.
این آزمایشگاه که A-Lab نام دارد توسط تیمی به رهبری یان زنگ و گربراند سدر از آزمایشگاه ملی لارنس برکلی، ایالات متحده و با همکاری محققان Google DeepMind توسعه داده شد و از ابزارهای یادگیری ماشین برای برنامه ریزی و تفسیر نتایج انجام شده استفاده می کند. آزمایشات توسط روبات ها
این تیم گزارش داد که در 17 روز عملیات مستقل، A-Lab 21 آزمایش در روز انجام داد و 41 ترکیب معدنی جدید تولید کرد از 58 تلاش – میزان موفقیت 71٪. محققان گفتند که این میزان موفقیت را می توان با تغییرات جزئی در تکنیک های محاسباتی آزمایشگاه و الگوریتم تصمیم گیری آن بیشتر بهبود بخشید.
با این حال، اندکی پس از انتشار مقاله A-Lab در اواخر نوامبر 2023. رابرت پالگریوشیمیدان مواد در دانشگاه کالج لندن، بریتانیا، تاکید کرد “مشکلات بسیار جدی” با آن، ابراز نگرانی در مورد کیفیت تجزیه و تحلیل تجربی.
پس از ابتدا نگرانی های خود را در مورد X به اشتراک می گذاردپالگریو که قبلاً به عنوان توییتر شناخته می شد، به این شبکه پیوست لزلی شاپیک شیمیدان مواد در دانشگاه پرینستون در ایالات متحده، از او پرسید که آیا می‌خواهد روی تجزیه و تحلیل کامل‌تری از مقاله A-Lab با هم کار کنند. این تحلیل قبلا انجام شده است به صورت پیش چاپ منتشر شده است بر ChemRxiv سرور
پس از تلاش برای تکرار تحلیل اصلی انجام شده توسط A-Lab، Palgrave و Schoop اکنون “خطاهای سیستماتیک” را در تمام طول مسیر پیدا کرده اند، که به گفته پالگریو، می توان آن را به مشکلات محاسباتی و تجربی نسبت داد.
پالگریو توضیح می دهد: «آنها نمی توانستند با مشکل اختلال ترکیبی مقابله کنند. در اینجا شما یک ساختار کریستالی دارید که در آن اتم ها در یک الگوی مرتب قرار گرفته اند، اما همچنان ممکن است در آن الگو بی نظمی وجود داشته باشد.
او می افزاید: «اختلال ترکیبی در تعداد زیادی از ترکیبات در شیمی حالت جامد رخ می دهد… اما مقابله با آن از نظر محاسباتی دشوار است». از نظر محاسباتی، محاسبه چیزهای کاملاً مرتب شده بسیار ساده تر است… وقتی آن لایه بی نظمی را اضافه می کنید، محاسبات را بسیار دشوارتر می کند.
پالگریو و همکارانش دریافتند که هیچ یک از ساختارهای محاسبه شده توسط تیم A-Lab دارای اختلال ترکیبی نیستند. چیزی که آنها متوجه نشدند این است که دو سوم از تمام پیش‌بینی‌هایشان فقط نسخه‌های سفارش‌داده‌شده ترکیباتی است که قبلاً به‌هم ریختگی شناخته شده‌اند.»
پالگریو همچنین مشکلات مربوط به تجزیه و تحلیل پراش اشعه ایکس (XRD) را در گزارش اصلی برجسته کرد، به ویژه به دلیل استفاده از هوش مصنوعی برای انجام پالایش ریتل. تکنیک مورد استفاده در شناسایی مواد کریستالی Palgrave و Schoop به این نتیجه رسیدند که هوش مصنوعی قادر به انجام این کار به اندازه کافی برای شناسایی دقیق ترکیبات نیست.
‘[The Rietveld refinement] پالگریو می‌گوید: این سطح انسانی بسیار ضعیف، بسیار مبتدی و کاملاً مبتدی بود – باعث شد در برخی موارد چیزها را اشتباه شناسایی کنند و متوجه نشوند که چه ترکیباتی در مخلوط آنها وجود دارد. بنابراین در نهایت، متأسفانه، آنها احتمالاً هیچ کشفی نکرده اند.»
او می‌افزاید: «در 12 ماه گذشته، هوش مصنوعی پیشرفت زیادی کرده است و من فکر می‌کنم که تأثیر زیادی در هر زمینه‌ای از جمله شیمی حالت جامد خواهد داشت». “اما تمایل خاصی وجود دارد که احساس کنیم هوش مصنوعی باید همه چیز را در حال حاضر تغییر دهد… و احتمالاً پیام این است که در زمینه های فنی بیشتر طول می کشد و ما نباید انتظار داشته باشیم که همه چیز یک شبه تغییر کند.”
از آنجایی که هوش مصنوعی تشخیص نمی داد که جایگزینی و اختلاط سایت ها ممکن است رخ دهد، فرض می کرد که چون ترکیب متفاوت بود، اینها “ترکیبات جدید” بودند.
سوزان لاترنر، دانشگاه ایالتی فلوریدا
سوزان لاترنریک متخصص شیمی حالت جامد در دانشگاه ایالتی فلوریدا در ایالات متحده، می گوید رویکردی که در مقاله A-Lab بیان شده است “بسیار جالب” و “شایسته انتشار در سطح بالا” است. با این حال، او اضافه می کند که در شرایط فعلی به نظر می رسد این رویکرد در ترکیبات مولکولی موثرتر از جامدات معدنی باشد.
او توضیح می‌دهد: «این به این دلیل است که وقتی ترکیب یک ترکیب مولکولی تغییر می‌کند، بسته‌بندی مولکولی، ساختار بلوری و ویژگی‌های آن کاملاً تغییر می‌کند، به نحوی که بسیار واضح است». اما اگر کاری شبیه به این را با یک جامد معدنی گسترده انجام دهید، می توانید سطح پایینی از جایگزینی تصادفی یا دوپینگ را دریافت کنید – ساختار کلی می تواند ثابت بماند، به نظر همان ماده است، اما خواص می تواند به طور چشمگیری تغییر کند.
این همان چیزی است که پالگریو وقتی به الگوهای پراش پرتو ایکس پودر نگاه می‌کرد، متوجه شد. بسیاری از الگوهای PXRD محصولات مختلف ساخته شده توسط A-Lab یکسان بودند. لاتورنر می افزاید: A-Lab چندین نوع جایگزین از یک ترکیب ساخت که همان ساختار را حفظ کردند. اما از آنجایی که هوش مصنوعی تشخیص نمی داد که جایگزینی و اختلاط ممکن است رخ دهد، فرض بر این بود که چون ترکیب متفاوت بود، اینها «ترکیبات جدید» بودند.
لاتورنر نتیجه می گیرد که برای تجزیه و تحلیل صحیح الگوهای پراش، سیستم های هوش مصنوعی باید برای مقابله با امکان اختلاط سایت آموزش ببینند. او می‌گوید: «تا آن زمان، تجزیه و تحلیل داده‌ها، مقایسه آن با پایگاه‌های اطلاعاتی و ادبیات و تعیین اینکه واقعاً چه کاری انجام شده است، به یک فرد با تجربه نیاز دارد».
دنیای شیمی برای اظهار نظر با آزمایشگاه Ceder تماس گرفت اما در زمان برای انتشار چیزی نشنید.
در دسامبر 2023، Ceder منتشر کرد پاسخ به تحلیل X اصلی پالگریو در لینکدین در این نشریه، او داده‌های بیشتری ارائه کرد که معتقد بود A-Lab با موفقیت ترکیبات گزارش شده در مقاله را سنتز کرده است. با این حال، سدر همچنین تاکید کرد که هرگز قصد تیم جایگزینی فرآیند کشف مواد با عوامل هوش مصنوعی نبوده است.
او نوشت: «ما شکی نداریم که می‌توان این نمونه‌ها را با کیفیت بالاتری اصلاح کرد. با این حال، هدف ما این بود که نشان دهیم یک آزمایشگاه خودمختار چه چیزی می تواند به دست آورد، نه نشان دادن آنچه که بهترین (یا متوسط) فرد خارج از A-Lab می تواند انجام دهد.”
