Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy
Cet article démontre que, bien que les agents de modèles de langage de pointe puissent effectuer de manière autonome le conditionnement de la pointe de microscopie à effet tunnel après une brève formation humaine, leur efficacité est ultimement limitée par des états expérimentaux non modélisés et des résultats d'actions incertains, soulignant la nécessité pour les futurs systèmes autonomes d'inférer les dynamiques cachées et d'opérer dans les limites réelles de l'instrument.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde calme et contrôlé d'un laboratoire de physique, les scientifiques s'appuient souvent sur des machines pour voir l'invisible. L'une de ces machines est le microscope à effet tunnel, un dispositif si sensible qu'il peut cartographier la surface d'un matériau atome par atome. Pour ce faire, il utilise une pointe de sonde dont l'extrémité n'est pas plus large qu'un seul atome. Cette pointe doit être parfaitement façonnée pour agir comme un œil acéré ; si elle est émoussée ou endommagée, les images qu'elle produit sont floues et inutilisables. Traditionnellement, la préparation de cette pointe est un processus lent et frustrant qui nécessite qu'un expert humain effectue de minuscules ajustements, devine ce qui se passe et réessaie jusqu'à ce que l'image devienne nette. C'est une tâche régie par des variables cachées : le scientifique ne peut pas voir directement la forme de la pointe, il ne peut que l'inférer à partir des images qu'il prend. Désormais, un nouveau genre d'assistant est entré dans le laboratoire : un agent d'intelligence artificielle capable de lire des instructions, d'observer les résultats et de prendre ses propres décisions. La question que les chercheurs voulaient poser était de savoir si un tel agent pouvait apprendre à réparer ces pointes délicates de manière autonome, même lorsque le résultat de ses actions est incertain et que la machine se comporte de manière inattendue.
Une équipe de chercheurs du Boston College s'est lancée dans ce test en utilisant un type spécifique d'intelligence artificielle connu sous le nom de grand modèle de langage. Ces modèles sont entraînés sur de vastes quantités de texte et peuvent raisonner sur des problèmes complexes, mais ils ont rarement été testés dans la réalité désordonnée d'une expérience physique où les choses ne se déroulent pas toujours comme prévu. Les scientifiques ont construit un système appelé Quailbot pour servir de pont entre l'IA et le microscope. Ce système permettait à l'IA de voir les données provenant de la machine et d'envoyer des commandes pour modifier les réglages. Les chercheurs ont d'abord appris à l'IA comment manipuler le microscope à travers une période de pratique guidée, semblable à un apprenti apprenant auprès d'un maître. Pendant cette période, l'expert humain a montré à l'IA comment secouer la pointe pour la remodeler et comment appliquer des impulsions de tension pour la nettoyer. L'IA a appris non seulement les étapes, mais aussi comment juger si une étape avait fonctionné, en utilisant les images qu'elle voyait pour décider de la suite des opérations.
Une fois l'entraînement terminé, les chercheurs ont laissé l'IA mener l'expérience entièrement seule. Ils ont délibérément commencé avec une pointe endommagée qui produisait de mauvaises images. L'IA a commencé son travail, envoyant des commandes pour déplacer la pointe et ajuster la tension. Elle observait la formation des images en temps réel. Lorsqu'elle a vu une protubérance s'élever vers la pointe, elle a décidé de reculer plutôt que de risquer un crash. Lorsqu'elle a vu une forme triangulaire étrange dans l'image suggérant la présence de débris, elle a changé de stratégie et a déplacé la pointe vers un nouvel emplacement. Après environ soixante-dix minutes de ce travail indépendant, l'IA s'est arrêtée et a déclaré la tâche terminée. L'image finale qu'elle a produite montrait un motif d'atomes clair et net, un résultat qu'un expert humain a ultérieurement confirmé comme étant réussi. Lors d'un second test, les chercheurs ont introduit un problème mécanique : la partie de la machine qui déplace la pointe s'est bloquée. L'IA a remarqué que le mouvement ne fonctionnait pas comme prévu et a ajusté sa stratégie, effectuant des pas plus petits et vérifiant les résultats plus fréquemment. Elle a fini par réussir la préparation de la pointe, même malgré le dysfonctionnement de la machine.
Cependant, l'expérience a également révélé les limites de ce nouveau type d'autonomie. Dans un scénario, les chercheurs ont secrètement tordu la pointe avant que l'IA ne commence. L'IA a observé des comportements étranges, tels que des pics soudains de courant électrique, et a tenté de les expliquer en utilisant ce qu'elle avait appris. Elle a supposé que la pointe pourrait avoir un second point de contact avec la surface, mais elle n'a jamais réalisé que la pointe était physiquement tordue. Elle a tenté toutes les corrections disponibles à sa disposition, mais parce qu'elle ne pouvait pas voir la torsion, elle n'a pas pu résoudre le problème. Dans un autre cas, l'IA a eu du mal à trouver une zone propre sur l'échantillon car la surface était couverte d'impuretés. L'IA a suggéré de remplacer la pointe, mais la véritable solution nécessitait qu'un humain fasse pivoter physiquement le porte-échantillon, une action mécanique que le logiciel ne pouvait pas contrôler. Une fois qu'un humain a effectué cette rotation, l'IA a pu terminer le travail rapidement, suggérant que la pointe était en fait en bon état ; elle avait simplement besoin d'un endroit propre pour observer.
Ces résultats montrent que, bien que l'intelligence artificielle puisse gérer avec succès des tâches physiques complexes, elle n'est pas encore un remplacement du jugement humain dans toutes les situations. L'IA a prouvé qu'elle pouvait apprendre de l'expérience, s'adapter aux changements imprévus et résoudre des problèmes nécessitant une séquence de décisions. Elle pouvait gérer l'incertitude de savoir si une impulsion de tension allait affûter la pointe ou l'endommager davantage. Mais lorsque le problème se situait en dehors des informations fournies par la machine — comme une pointe tordue ou un blocage mécanique nécessitant une rotation physique — l'IA se heurtait à un mur. Elle pouvait reconnaître que quelque chose n'allait pas, mais elle ne pouvait pas toujours comprendre pourquoi ou comment le réparer sans aide. L'étude suggère que pour que la science devienne véritablement autonome, les machines elles-mêmes doivent être conçues pour donner à l'IA des informations plus complètes et la capacité d'effectuer une gamme plus large d'actions physiques. D'ici là, les expériences les plus efficaces resteront probablement un partenariat, où la machine gère la routine et l'humain gère les surprises.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.