Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy
Diese Arbeit zeigt auf, dass frontier-LLM-Agenten zwar nach kurzer menschlicher Anleitung autonom eine komplexe Konditionierung der Rastertunnelmikroskop-Spitze durchführen können, ihre Effektivität jedoch letztlich durch nicht modellierte experimentelle Zustände und unsichere Aktionsergebnisse begrenzt wird, was die Notwendigkeit unterstreicht, dass zukünftige autonome Systeme verborgene Dynamiken inferieren und innerhalb realer Instrumentenbeschränkungen operieren müssen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der stillen, kontrollierten Welt eines Physiklabors verlassen sich Wissenschaftler oft auf Maschinen, um das Unsichtbare zu sehen. Eines dieser Geräte ist das Rastertunnelmikroskop, ein Gerät, das so empfindlich ist, dass es die Oberfläche eines Materials Atom für Atom kartieren kann. Um dies zu tun, verwendet es eine Sondenspitze, die am äußersten Ende nicht breiter als ein einzelnes Atom ist. Diese Spitze muss perfekt geformt sein, um als scharfes Auge zu fungieren; wenn sie stumpf oder beschädigt ist, sind die von ihr erzeugten Bilder unscharf und unbrauchbar. Traditionell war die Vorbereitung dieser Spitze ein langsamer, frustrierender Prozess, der einen menschlichen Experten erforderte, der winzige Anpassungen vornahm, versuchte zu erraten, was geschah, und es immer wieder versuchte, bis das Bild klar wurde. Es ist eine Aufgabe, die von verborgenen Variablen bestimmt wird: Der Wissenschaftler kann die Form der Spitze nicht direkt sehen, sondern nur aus den Bildern, die er macht, darauf schließen. Nun ist ein neuer Typ von Helfer in das Labor eingetreten: ein künstlicher Intelligenz-Agent, der in der Lage ist, Anweisungen zu lesen, die Ergebnisse zu beobachten und seine eigenen Entscheidungen zu treffen. Die Frage, die die Forscher beantworten wollten, war, ob ein solcher Agent lernen könne, diese empfindlichen Spitzen selbstständig zu reparieren, selbst wenn das Ergebnis seiner Handlungen ungewiss ist und sich die Maschine auf unerwartete Weise verhält.
Ein Team von Forschern am Boston College unternahm den Versuch, diese Idee mithilfe einer spezifischen Art von künstlicher Intelligenz, bekannt als großes Sprachmodell, zu testen. Diese Modelle werden mit riesigen Mengen an Text trainiert und können komplexe Probleme durchdenken, aber sie wurden selten in der chaotischen Realität eines physischen Experiments getestet, bei dem die Dinge nicht immer nach Plan verlaufen. Die Wissenschaftler bauten ein System namens Quailbot, um als Brücke zwischen der KI und dem Mikroskop zu fungieren. Dieses System ermöglichte es der KI, die Daten der Maschine zu sehen und Befehle zu senden, um die Einstellungen zu ändern. Die Forscher brachten der KI zunächst durch eine Phase des geführten Übens bei, wie man das Mikroskop bedient, ganz ähnlich einem Lehrling, der von einem Meister lernt. Während dieser Zeit zeigte der menschliche Experte der KI, wie man die Spitze schüttelt, um sie neu zu formen, und wie man Spannungspulse anwendet, um sie zu reinigen. Die KI lernte nicht nur die Schritte, sondern auch, wie man beurteilt, ob ein Schritt erfolgreich war, indem sie die gesehenen Bilder nutzte, um zu entscheiden, was als Nächstes zu tun ist.
Nachdem das Training abgeschlossen war, ließen die Forscher die KI das Experiment völlig eigenständig durchführen. Sie begannen bewusst mit einer beschädigten Spitze, die schlechte Bilder lieferte. Die KI begann mit ihrer Arbeit, indem sie Befehle sendete, um die Spitze zu bewegen und die Spannung anzupassen. Sie beobachtete die Bilder in Echtzeit. Als die KI sah, dass eine Ausstülpung zur Spitze hin emporstieg, entschied sie sich zurückzuweichen, anstatt das Risiko eines Absturzes einzugehen. Als sie eine seltsame dreieckige Form im Bild sah, die auf Ablagerungen hindeutete, änderte sie ihre Strategie und bewegte die Spitze an eine neue Stelle. Nach etwa siebzig Minuten dieser unabhängigen Arbeit stoppte die KI und erklärte die Aufgabe für beendet. Das von ihr erzeugte Endbild zeigte ein klares, scharfes Atommuster – ein Ergebnis, das ein menschlicher Experte später als erfolgreich bestätigte. In einem zweiten Test führten die Forscher ein mechanisches Problem ein: Das Teil der Maschine, das die Spitze bewegt, klemmte. Die KI bemerkte, dass die Bewegung nicht wie erwartet funktionierte, und passte ihre Strategie an, indem sie kleinere Schritte machte und die Ergebnisse häufiger überprüfte. Schließlich gelang es ihr, die Spitze vorzubereiten, selbst während die Maschine Fehlfunktionen aufwies.
Das Experiment offenbarte jedoch auch die Grenzen dieser neuen Art von Autonomie. In einem Szenario verbogen die Forscher die Spitze heimlich, bevor die KI begann. Die KI sah seltsames Verhalten, wie etwa plötzliche Stromspitzen, und versuchte, diese mit dem, was sie gelernt hatte, zu erklären. Sie vermutete, dass die Spitze möglicherweise einen zweiten Kontaktpunkt zur Oberfläche habe, aber sie erkannte nie, dass die Spitze physisch verbogen war. Sie probierte jeden verfügbaren Reparaturversuch aus, den sie kannte, aber da sie die Biegung nicht sehen konnte, konnte sie das Problem nicht lösen. In einem anderen Fall hatte die KI Schwierigkeiten, einen sauberen Bereich auf der Probe zu finden, da die Oberfläche mit Verunreinigungen bedeckt war. Die KI schlug vor, die Spitze auszutauschen, aber die eigentliche Lösung erforderte, dass ein Mensch den Probenhalter physisch drehte – eine mechanische Handlung, die die Software nicht kontrollieren konnte. Sobald ein Mensch diese Drehung vornahm, konnte die KI die Aufgabe schnell abschließen, was darauf hindeutete, dass die Spitze eigentlich in Ordnung war und lediglich einen sauberen Ort zum Betrachten benötigt hatte.
Diese Ergebnisse zeigen, dass künstliche Intelligenz zwar komplexe physische Aufgaben erfolgreich bewältigen kann, aber noch nicht in jeder Situation ein Ersatz für menschliches Urteilsvermögen ist. Die KI bewies, dass sie aus Erfahrung lernen, sich an unerwartete Änderungen anpassen und Probleme lösen kann, die eine Abfolge von Entscheidungen erfordern. Sie konnte mit der Ungewissheit umgehen, ob ein Spannungspuls die Spitze schärfen oder sie weiter beschädigen würde. Aber wenn das Problem außerhalb der Informationen lag, die die Maschine bereitstellen konnte – wie eine verbogene Spitze oder ein mechanisches Klemmen, das eine physische Drehung erforderte –, stieß die KI an ihre Grenzen. Sie konnte erkennen, dass etwas nicht stimmte, aber sie konnte nicht immer herausfinden, warum oder wie sie es ohne Hilfe beheben sollte. Die Studie legt nahe, dass für eine wirklich autonome Wissenschaft die Maschinen selbst so konzipiert sein müssen, dass sie der KI vollständigere Informationen liefern und ihr eine breitere Palette an physischen Aktionen ermöglichen. Bis dahin werden die effektivsten Experimente wahrscheinlich eine Partnerschaft bleiben, bei der die Maschine die Routine übernimmt und der Mensch die Überraschungen bewältigt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.