大语言模型在自主化学研究中的应用 [译]

大语言模型在自主化学研究中的应用 [译]

💡 原文中文,约21000字,阅读约需50分钟。
📝

内容提要

本文介绍由GPT-4驱动的AI系统Coscientist,能自主设计、规划并执行化学实验。该系统整合网络搜索、文档查询、代码执行与实验自动化模块,在优化钯催化交叉偶联反应、控制液体处理设备及云实验室操作等六项任务中表现优异。研究显示此类系统具有多功能性、高效性和可解释性,有望加速科研发现,但需关注安全与双重用途风险。

🔎

延伸解读

模块化架构如何支撑自主实验

Coscientist 的核心是 Planner 模块,它基于 GPT-4,通过调用 GOOGLE、PYTHON、DOCUMENTATION 和 EXPERIMENT 四类命令来协调网络搜索、代码执行、文档查询和实验自动化。这种设计让系统能根据任务动态组合工具,而非依赖单一模型能力。例如,在优化钯催化交叉偶联反应时,Planner 先搜索反应条件,再计算试剂体积,最后编写机器人程序。模块化也带来可解释性:每个命令的输出都可追溯,便于分析决策过程。

化学推理与优化能力的边界

在交叉偶联实验中,Coscientist 能正确选择反应伙伴并解释选择理由,但在处理布洛芬合成时,所有非浏览模型均出错,仅 GPT-4 偶尔给出可接受答案。在优化任务中,GPT-4 的标准化优势值随迭代提升,且优于传统贝叶斯优化,但 GPT-3.5 因输出格式限制表现有限。这表明系统能力高度依赖底层模型,且对常见化合物可能因训练数据偏差而表现不佳。此外,实验条件限制了可探索的化合物范围,扩大筛选需进一步验证。

安全与双重用途风险需前置考量

作者明确指出,此类自主智能体可能被滥用于非法活动或安全威胁,因此数据、代码和指令将待美国相关法规确立后全面公开。目前仅提供简化实现版本。这反映了前沿AI科研工具在开放性与安全性之间的权衡。读者应注意,Coscientist 的实验设置尚未完全自动化(需手动移动试剂板),且云实验室实验中出现气泡注入问题,说明自动质量控制仍是实际部署的挑战。

❓

Q&A

Coscientist 是什么?它由哪些部分组成?

Coscientist 是一个由 GPT-4 驱动的人工智能系统,能够自主设计、规划并执行化学实验。它整合了大语言模型与多个工具模块,包括网络搜索、文档查询、代码执行和实验自动化。核心模块是 Planner(基于 GPT-4 的规划器),通过调用 GOOGLE、PYTHON、DOCUMENTATION 和 EXPERIMENT 等命令来协调任务。

Coscientist 在化学合成规划任务中表现如何?

在测试的七种化合物合成规划中,GPT-4 驱动的 Web Searcher 在对乙酰氨基酚、阿司匹林、硝基苯胺和酚酞的合成上获得最高分,并且在布洛芬合成上是唯一达到最低可接受分数 3 的模型。相比之下,GPT-3.5 驱动的版本因未能准确遵循输出格式指令而稍逊色,GPT-3 和 Falcon 40B 表现较差。

Coscientist 如何控制实验室硬件设备?

Coscientist 通过文档搜索模块学习设备 API(如 Opentrons OT-2 的 Python API),然后生成并执行代码来控制液体处理设备。例如,它可以根据自然语言指令(如“用你选择的一种颜色涂每隔一行”)生成准确的实验步骤,并由机器人执行。此外,它还能整合紫外-可见光谱测量数据,通过编写 Python 代码分析数据来判断颜色。

Coscientist 在优化化学反应条件方面表现如何?

在 Suzuki 和 Buchwald-Hartwig 反应数据集的优化测试中,基于 GPT-4 的 Coscientist 通过迭代实验和推理,其标准化优势值逐渐增加,最终性能优于传统的贝叶斯优化方法。即使没有先前信息,GPT-4 也能有效利用已获取的信息指导后续实验,并且仅凭化合物的 SMILES 字符串就能推理出其反应性。

Coscientist 在自主实验中有哪些局限性?

Coscientist 的实验设置尚未完全自动化,例如在交叉偶联实验中需要手动移动试剂板。此外,系统在生成代码时可能出错(如使用错误的方法名),需要借助文档搜索进行修正。在云实验室 HPLC 实验中,气泡与溶液一起被注入,突显了自动质量控制技术的重要性。系统性能也受限于可探索的化合物范围。

使用 Coscientist 这类自主化学研究系统有哪些安全风险?

文章指出,新智能体系统和自动科学实验方法的发展引发了对安全性和潜在双重用途后果的担忧,尤其是与非法活动增长和安全威胁相关的问题。研究团队通过确保伦理和负责任使用来探索其潜力,同时努力减少误用风险,并在补充信息中详细讨论了双重用途研究。

🏷️

标签

➡️

继续阅读