DiscoveryAgent: กรอบงานสำหรับ AI Agent ที่เน้นนักวิทยาศาสตร์เป็นศูนย์กลาง

AI agents สามารถช่วยในการวิจัยทางวิทยาศาสตร์ได้ แต่ความท้าทายหลักคือการสร้างสมดุลระหว่างการสืบสวนด้วยตนเองของ AI กับความสามารถของนักวิทยาศาสตร์ในการตรวจสอบและชี้นำงานที่กำลังดำเนินอยู่

นักวิทยาศาสตร์จะทำการเลือก ปรับปรุง หรือแทนที่สมมติฐานระหว่างรอบการวิจัย ขณะที่ audit agents จะตรวจสอบบันทึกที่ถูกบันทึกไว้เพื่อติดตามข้อกล่าวอ้าง ทำซ้ำการวิเคราะห์ และให้ข้อมูลสำหรับการตัดสินใจในขั้นต่อไป

ในการทดสอบการสร้างแบบจำลองเชิงคาดการณ์ DiscoveryAgent ให้ผลลัพธ์ที่ดีที่สุดในกลุ่มเปรียบเทียบ และเมื่อมีนักวิทยาศาสตร์ชี้นำ ก็สามารถทำนายผลกระทบของโปรตีนได้เหนือกว่าคู่แข่งใน ProteinGym ถึงหนึ่งในร้อยละ 106

เราได้พัฒนาระบบ checkpointing ที่เข้มงวด ซึ่งช่วยให้ audit agents ที่มีความสามารถสูงสามารถทำหน้าที่กำกับดูแลการวิจัยแบบ agentic ได้อย่างปรับขนาดได้

การทดสอบกรณีศึกษา

ในสามกรณีศึกษาที่นำโดยผู้เชี่ยวชาญในสาขาต่างๆ เราได้พัฒนาเครื่องมือที่หลากหลายรูปแบบ ซึ่งประสบความสำเร็จในการจำแนกประเภทด้วย AUROC ที่ 0.971 สำหรับการจำแนกแบบ redshift ต่ำ

นอกจากนี้ ยังมีการบันทึกการเพิ่มขึ้นของเบี้ยประกันภัยบ้านในฟลอริดาถึง 83% ในช่วงปี 2013 ถึง 2023 และการระบุยีนที่เกี่ยวข้องกับเซลล์ T ชนิด CD4+ ซึ่งมีความสัมพันธ์กับโรคภูมิต้านตนเอง

ผลลัพธ์เหล่านี้แสดงให้เห็นว่าการวิจัยแบบอัตโนมัติสามารถขยายขอบเขตเชิงประจักษ์ของนักวิทยาศาสตร์ได้ ขณะเดียวกันก็คงอำนาจในการกำหนดทิศทางการวิจัยและความสามารถในการทำความเข้าใจและท้าทายหลักฐานไว้ที่พวกเขา

ศัพท์ที่ควรรู้

  • AI agents – คือโปรแกรมปัญญาประดิษฐ์ที่สามารถทำงานเฉพาะอย่างได้ด้วยตนเอง
  • Audit agents – คือตัวแทนที่ทำหน้าที่ตรวจสอบและตรวจสอบความถูกต้องของกระบวนการทำงานของ AI
  • Checkpointing – คือระบบการบันทึกสถานะการทำงานเป็นระยะ เพื่อให้สามารถย้อนกลับหรือตรวจสอบได้
  • AUROC – คือค่าที่ใช้วัดประสิทธิภาพของแบบจำลองในการจำแนกประเภท (Area Under the Receiver Operating Characteristic curve)

ที่มา: arxiv.org

Leave a Comment