Autonomous adaptive spectral analysis with an LLM agent for self-driving laboratories
تقدم هذه الورقة عميلاً مستقلاً يدمج نموذج لغة كبيراً مع تحليل عددي حتمي للتعامل تكيفياً مع استثناءات البيانات الطيفية في المختبرات ذاتية القيادة، حيث نجح في استعادة قيم طاقة أورباخ الكمية لمعظم أطياف النفاذية الضوئية الفاشلة مع تقديم حالات رفض مبررة علمياً للحالات الغامضة.
في السباق لاكتشاف مواد جديدة لإلكترونيات أسرع، أو بطاريات أطول عمراً، أو خلايا شمسية أكثر كفاءة، غالباً ما يواجه العلماء تحدياً هائلاً: فمساحة الاحتمالات واسعة جداً بحيث لا يمكن استكشافها يدوياً. تخيل أنك تحاول العثور على الوصفة المثالية لكعكة عبر اختبار كل تركيبة ممكنة من الدقيق والسكر ودرجة الحرارة؛ سيستغرق ذلك عمراً بأكمله. ولتسريع هذه العملية، قام الباحثون ببناء "مختبرات ذاتية القيادة". وهي عبارة عن أنظمة مؤتمتة تقوم بخلط المواد الكيميائية، وتنمية البلورات، واختبار الخصائص دون تدخل يد بشري، مستخدمة الذكاء الاصطناعي لتحديد التجربة التالية التي يجب إجراؤها. والهدف هو خلق حلقة مستمرة حيث يتعلم الجهاز من كل نتيجة ويصمم التجربة التالية فوراً، مما يسرع عملية الاكتشاف.
ومع ذلك، ظهرت عقبة حرجة في هذه المختبرات المؤتمتة. فبينما تتفوق الآلات في جمع البيانات الخام — مثل قياس مقدار الضوء الذي يمر عبر غشاء رقيق من مادة ما — فإنها غالباً ما تعاني في تفسير تلك البيانات عندما تسوء الأمور قليلاً. قد يُطلب من برنامج حاسوبي قياسي البحث عن نمط معين في بيانات الضوء لحساب خاصية مفيدة، مثل مدى قدرة المادة على امتصاص الطاقة. وإذا كانت البيانات مشوشة أو كان النمط مشوهاً قليلاً، فإن البرنامج يتوقف ببساطة ويبلغ عن خطأ، تاركاً الروبوت دون إجابة. في المختبر البشري، قد يلقي عالم نظرة خاطفة على البيانات الفوضوية، ويدرك أن الحاسوب كان صارماً للغاية، ثم يعدل الإعدادات بلطف للحصول على رقم موثوق. أما في المختبر المستقل تماماً، فإن هذا التوقف لانتظار التدخل البشري يكسر تدفق العمل، مما يبطئ العملية برمتها. فكان السؤال: هل يمكن للآلة أن تتعلم اتخاذ هذا النوع من التقدير؟
لقد طور فريق من الباحثين في مختبرات "إن تي تي" (NTT) للأبحاث الأساسية في اليابان حلاً يسد هذه الفجوة. فقد أنشأوا "وكيلاً ذكياً" مدعوماً بنموذج لغوي كبير، يعمل كمشرف على التحليل المؤتمت. وبدلاً من استبدال الحسابات الرياضية الدقيقة المستخدمة لاستخراج البيانات، يجلس هذا الوكيل فوقها، مراقباً النتائج. فعندما يعمل التحليل القياسي بشكل مثالي، يقبل الوكيل النتيجة ويمضي قدماً. ولكن عندما يفشل البرنامج القياسي، يتدخل الوكيل ليقرر ما يجب فعله بعد ذلك؛ حيث يفحص البيانات الخام وأسباب الفشل، ثم يحاول إجراء مجموعة محددة ومحدودة جداً من التعديلات على إعدادات التحليل. وإذا أنتجت هذه التعديلات الصغيرة نتيجة سليمة علمياً، يقبل الوكيل القيمة التي تم إصلاحها. أما إذا كانت البيانات فوضوية للغاية أو كان النمط مفقوداً تماماً، فإن الوكيل يتخذ القرار الصعب بالإبلاغ عن عدم إمكانية العثور على قيمة موثوقة، بدلاً من فرض رقم غير دقيق.
لاختبار هذا النظام، طبق الباحثون منهجيتهم على مجموعة من 203 قياسات بصرية أُخذت من أغشية رقيقة لمادة شبه موصلة تسمى "بيتا أكسيد الغاليوم". وقد تمت زراعة هذه الأغشية خلال تجربة سابقة ذاتية القيادة. نجح نص التحليل القياسي، الذي استُخدم سابقاً، في حساب مقياس جودة محدد لـ 183 من هذه الأغشية، لكنه فشل في الـ 20 المتبقية. وعندما تولى الوكيل الجديد المهمة، أكد النتائج الـ 183 الصحيحة دون تغييرها. وبالنسبة للحالات الـ 20 التي فشلت، عمل الوكيل كخبير في حل المشكلات؛ حيث نجح في استعادة 16 حالة من خلال إجراء تعديلات بسيطة ومبررة على معايير التحليل، مثل إزاحة طفيفة في نطاق البيانات المستخدم في الحساب. وفي الحالات الأربع الأخيرة، قرر الوكيل أن البيانات ببساطة لا تحتوي على نمط واضح بما يكفي للوثوق بأي رقم، لذا أبلغ بشكل صحيح أنه لا يمكن الحصول على أي قيمة.
والنتيصة هي نظام يتعامل مع الاستثناءات ببراعة الخبير البشري وسرعة الآلة. فمن خلال استعادة 16 حالة من أصل 20 تحليلاً فاشلاً، رفع الفريق معدل نجاح سير العمل المؤتمت إلى ما يقرب من 98 بالمئة. والأهم من ذلك، أن النظام تجنب فخ فرض رقم من بيانات سيئة؛ فقد عرف متى يتوقف ويقول "لا أعرف". وهذا التمييز أمر حيوي للعلم، لأن الإبلاغ عن قيمة خاطئة يمكن أن يضلل التجارب المستقبلية. كما احتفظ الوكيل بسجل مفصل لكل قرار، موضحاً بالضبط سبب تعديله لإعداد ما أو سبب رفضه لنتيجة ما. وتعني هذه الشفافية أنه في المختبر المستقل تماماً، يمكن للنظام العمل لفترات طويلة دون الحاجة لتدخل بشري لإصلاح الأخطاء، ولا يتطلب المراجعة إلا عندما يشير الجهاز نفسه إلى وجود حالة صعبة. إن هذا العمل يثبت أن الذكاء الاصطناعي يمكن استخدامه ليس فقط لإجراء التجارب، بل لفهم جودة البيانات التي تنتجها، مما يحافظ على استمرارية الحلقة العلمية ودفعها للأمام.
ملخص تقني: تحليل طيفي تكييفي مستقل باستخدام وكيل يعتمد على النماذج اللغوية الكبيرة للمختبرات ذاتية القيادة
بيان المشكلة تعمل المختبرات ذاتية القيادة (SDLs) على تسريع اكتشاف المواد من خلال دمج عمليات التخليق، والتوصيف، واختيار التجارب بشكل مستقل. ومع ذلك، توجد عقبة حرجة في مرحلة التوصيف: إذ غالبًا ما تُخرج الأجهزة بيانات خام (مثل الأطياف أو الصور) بدلاً من الخصائص الكمية المستهدفة. ويتطلب استخراج هذه الخصائص نصوصاً برمجية (scripts) محددة مسبقاً تعتمد على فرضيات فيزيائية ومعايير قبول معينة. وعندما تقع البيانات التجريبية خارج هذه المعايير الثابتة، يفشل التحليل، وغالباً ما لا يعود بأي قيمة. وفي مسارات عمل المختبرات ذاتية القيادة الحالية، تتطلب حالات الفشل هذه عادةً تدخلاً بشرياً لتقرير ما إذا كان يجب تعديل المعايير أو استبعاد البيانات، مما يؤدي إلى مقاطعة الحلقة المستقلة. ويتمثل التحدي في تطوير نظام مستقل يمكنه التمييز بين حالات فشل التحليل القابلة للاسترداد (التي يمكن معالجتها بتعديلات طفيفة في المعايير) وبين القياسات التي تفتقر حقاً إلى الأدلة الداعمة لتقدير كمي موثوق، وذلك دون المساس بالصلاحية العلمية للبيانات المستخرجة.
المنهجية يقترح المؤلفون وكيلاً مستقلاً للتحليل الطيفي التكيفي يشرف على روتين تحليل عددي حتمي باستخدام نموذج لغوي كبير (LLM). تم تقييم النظام على أطياف النفاذية الضوئية لـ 203 غشاء من أكسيد الغاليوم بيتا (β-Ga2O3) البلوري، والتي تم تحليلها سابقاً لاستخراج طاقة أورباخ (EU)، وهي مقياس للجودة البصرية.
يعمل سير العمل كما يلي:
الأساس الحتمي: لكل طيف، يقوم الوكيل أولاً بتنفيذ نص برمجي ثابت بلغة بايثون لحساب EU باستخدام إجراءات قياسية (تقريب قانون بير-لامبرت لمعامل الامتصاص، وعلاقة تاوك لفجوة النطاق Eg، والملائمة الخطية لذيل أورباخ).
إشراف النموذج اللغوي الكبير (LLM): يقوم وكيل النموذج اللغوي الكبير (ChatGPT Workspace Agent) بتقييم الطيف الخام، ونتائج التحليل الأساسي، وتشخيصات الملائمة (fitting diagnostics).
منطق اتخاذ القرار: يخصص الوكيل أحد التصنيفات الثلاثة التالية:
قبول (ACCEPT): النتيجة الأساسية سليمة علمياً؛ لا يتم إجراء أي تغييرات.
قبول مع الإصلاح (REPAIR_ACCEPT): فشل التحليل الأساسي، لكن الوكيل يحدد أنه يمكن الحصول على قيمة EU موثوقة علمياً من خلال تعديلات مقيدة لمعايير الملائمة المحددة مسبقاً (على سبيل المثال، إزاحة نافذة الملائمة أو تخفيف عتبة معامل التحديد R2). يقوم الوكيل بتعديل المعايير، وإعادة تشغيل النص البرمجي، والتحقق من النتيجة الجديدة.
غير متاح (NaN): يقرر الوكيل أنه لا يمكن استخراج قيمة EU موثوقة علمياً، حتى مع التعديلات المسموح بها (على سبيل المثال، يفتقر الطيف إلى حافة امتصاص واضحة أو منطقة خطية لأورباخ).
القيود: يُمنع الوكيل منعاً باتاً من تغيير البيانات الخام، أو التعريف الفيزيائي لـ EU، أو نموذج التحليل الأساسي. يقتقتصر دوره على تعديل معايير ملائمة محددة ضمن حدود معرفة، ويُقيد بحد أقص of ثلاث محاولات إصلاح لكل طيف. ويصاحب كل قرار سجل تدقيق يوضح المبررات وتغييرات المعايير.
النتائج الرئيسية
أداء الأساس الحتمي: نجح النص البرمجي الأصلي للتحليل الثابت في إرجاع قيم EU لـ 183 طيفاً من أصل 203 (90.1%) وفشل في 20 حالة.
أداء الوكيل: احتفظ وكيل الـ LLM بجميع نتائج الـ 183 طيفاً الصحيحة دون تعديل.
معالجة الاستثناءات: من بين الـ 20 حالة الفاشلة، نجح الوكيل في استرداد 16 حالة (80%) عن طريق إجراء تعديلات مقيدة على المعايير، وصنفها كـ REPAIR_ACCEPT.
الامتناع العلمي: حدد الوكيل بشكل صحيح في الحالات الأربع المتبقية (20%) أن الأدلة الطيفية لا تدعم تقديراً موثوقاً لـ EU، وصنفها كـ NaN.
النجاح الإجمالي: وفر سير العمل قيمة EU محددة وسليمة علمياً لـ 199 من أصل 203 طيفاً (98.0%)، مع الإشارة صراحةً إلى الحالات الأربع المتبقية كحالات غير قابلة للتقرير.
دراسات الحالة: أظهرت الأمثلة النموذجية أن حالات ACCEPT كانت تتميز بحواف امتصاص واضحة وملائمات مستقرة؛ بينما تضمنت حالات REPAIR_ACCEPT إزاحات طفيفة في نوافذ الملائمة أو تخفيفاً في العتبات مما استعاد الاستقرار؛ أما حالات NaN فقد تضمنت أطيافاً ذات أكتاف عريضة أو مناطق غير خطية حيث يكون إجراء المزيد من الملائمة غير مبرر علمياً.
المساهمات الرئيسية
المعالجة المستقلة للاستثناءات: توضح الدراسة إطار عمل عملياً لاتخاذ القرار العلمي المستقل حيث يعمل وكيل الـ LLM كمسرف على أداة تحليل حتمية، ويتعامل مع الاستثناءات دون تدخل بشري.
فصل المهام: يحافظ النهج على فصل صارم بين الاستخراج الحتمي للكميات الفيزيائية (الذي يتولاه النص البرمجي) وطبقة القرار التكيفية (التي يتولاها الـ LLM). يضمن ذلك بقاء القيم المبلغ عنها متجذرة في نماذج فيزيائية ثابتة مع السماح بالمرونة في التعامل مع الحالات الحدية.
الامتناع العلمي: يصمم النظام صراحةً القدرة على "الامتناع" عن الإبلاغ عن قيمة ما عندما تكون البيانات غير كافية، مما يمنع توليد نتائج عددية زائفة قد تضلل حلقات التحسين اللاحقة.
القابلية للتدقيق: يولد الإطار سجلات تدقيق مفصلة لكل قرار، بما في ذلك المبررات المحددة، وتغييرات المعاي_ير، والسمات الطيفية التي تم النظر فيها، مما يضمن الشفافية في العملية المستقلة.
الأهمية والادعاءات يزعم البحث أن هذا الإطار يعالج عقبة تشغيلية محددة في المختبرات ذاتية القيادة (SDLs): الحاجة إلى التدخل البشني المتزامن عند فشل التحليل الآلي. ومن خلال أتمتة التمييز بين الأخطاء القابلة للاسترداد والبيانات غير القابلة للتقرير، يسمح النظام للحلقة التجريبية بالاستمرار بشكل مستقل. ويؤكد المؤلفون أن القيمة لا تكمن فقط في استرداد التحليلات الفاشلة، بل أيضاً في التحديد الدقيق للحالات التي لا توجد فيها قيمة موثوقة.
يشير المؤلفون إلى بعض المحدودية، ملاحظين أن الدراسة لا تقيم ما إذا كان الوكيل يمكنه اكتشاف النتائج غير المناسبة فيزيائياً عندما تكتمل عملية الملائمة العددية بنجاح، كما أنها لم تختبر هذا النهج عبر طرق توصيف أو أنظمة مواد مختلفة. ومع ذلك، يرى المؤلفون أن هذا النهج يقدم مساراً نحو تشغيل مستقل أكثر قوة، حيث ينتقل الإشراف البشري من التدخل في الوقت الفعلي عند كل فشل إلى الإشراف غير المتزامن على الاستثناءات المسجلة والأدلة الداعمة لها.