Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy
Dit artikel toont aan dat hoewel frontier LLM-agenten na een korte menselijke training autonoom complexe conditionering van scanning tunneling microscopy-tips kunnen uitvoeren, hun effectiviteit uiteindelijk wordt beperkt door niet-gemodelleerde experimentele toestanden en onzekere uitkomsten van acties, wat de noodzaak benadrukt voor toekomstige autonome systemen om verborgen dynamiek te infereren en binnen de werkelijke instrumentbeperkingen te opereren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de stille, gecontroleerde wereld van een natuurkundig laboratorium vertrouwen wetenschappers vaak op machines om het onzichtbare te zien. Een dergelijke machine is de scanning tunneling-microscoop, een apparaat dat zo gevoelig is dat het het oppervlak van een materiaal atoom voor atoom kan in kaart brengen. Om dit te doen, gebruikt het een sonde-punt die aan het uiteinde niet breder is dan een enkel atoom. Deze punt moet perfect gevormd zijn om als een scherp oog te fungeren; als hij stomp of beschadigd is, zijn de geproduceerde beelden wazig en nutteloos. Traditioneel gezien is het voorbereiden van deze punt een traag, frustrerend proces dat een menselijke expert vereist om minuscule aanpassingen te maken, te gissen wat er gebeurt, en het opnieuw te proberen totdat het beeld helder wordt. Het is een taak die wordt beheerst door verborgen variabelen: de wetenschapper kan de vorm van de punt niet direct zien, maar moet deze afleiden uit de foto's die worden gemaakt. Nu is er een nieuw soort helper de laboratorium binnengekomen: een kunstmatige intelligentie-agent die in staat is instructies te lezen, resultaten te bekijken en eigen beslissingen te nemen. De vraag die onderzoekers wilden beantwoorden, was of een dergelijke agent had kunnen leren om deze delicate punten zelfstandig te repareren, zelfs wanneer de uitkomst van zijn acties onzeker is en de machine zich op onverwachte manieren gedraagt.
Een team van onderzoekers aan het Boston College zette zich in om dit idee te testen met behulp van een specifiek type kunstmatige intelligentie dat bekend staat als een groot taalmodel. Deze modellen zijn getraind op enorme hoeveelheden tekst en kunnen complexe problemen redeneren, maar ze zijn zelden getest in de rommelige realiteit van een fysiek experiment waar dingen niet altijd volgens plan verlopen. De wetenschappers bouwden een systeem genaamd Quailbot om als een brug te fungeren tussen de AI en de microscoop. Dit systeem stelde de AI in staat om de data van de machine te zien en commando's te sturen om de instellingen te wijzigen. De onderzoekers leerden de AI eerst hoe de microscoop te bedienen via een periode van begeleide oefening, vergelijkbaar met een leerling die leert van een meester. Tijdens deze tijd liet de menselijke expert de AI zien hoe de punt moest worden geschud om hem te hervormen en hoe er spanningspulsen moesten worden toegepast om hem te reinigen. De AI leerde niet alleen de stappen, maar ook hoe hij kon beoordelen of een stap werkte, waarbij hij de beelden die hij zag gebruikte om te beslissen wat de volgende stap zou zijn.
Zodra de training voltooid was, lieten de onderzoekers de AI het experiment volledig zelfstandig uitvoeren. Ze begonnen doelbewust met een beschadigde punt die slechte beelden produceerde. De AI begon aan zijn werk en stuurde commando's om de punt te bewegen en de spanning aan te passen. Hij keek naar de beelden die in realtime werden gevormd. Wanneer de AI zag dat er een uitstulping richting de punt opkwam, besloot hij terug te trekken in plaats het risico te lopen op een botsing. Wanneer hij een vreemde driehoekige vorm in het beeld zag die duidde op vuil, veranderde hij zijn strategie en bewoog hij de punt naar een nieuwe locatie. Na ongeveer zeventig minuten van dit onafhankelijke werk stopte de AI en verklaarde de taak voltooid te hebben. Het uiteindelijke beeld dat het produceerde, toonde een helder, scherp patroon van atomen, een resultaat dat een menselijke expert later als succesvol bevestigde. In een tweede test introduceerden de onderzoekers een mechanisch probleem: het onderdeel van de machine dat de punt beweegt, liep vast. De AI merkte dat de beweging niet naar verwachting verliep en paste zijn strategie aan door kleinere stappen te nemen en de resultaten vaker te controleren. Uiteindelijk slaagde hij erin de punt voor te bereiden, zelfs met een defect aan de machine.
Echter, het experiment onthulde ook de grenzen van dit nieuwe soort autonomie. In één scenario bogen de onderzoekers de punt geheim gebogen voordat de AI begon. De AI zag vreemd gedrag, zoals plotselinge pieken in de elektrische stroom, en probeerde deze te verklaren met wat hij had geleerd. Hij gokte dat de punt mogelijk een tweede contactpunt met het oppervlak had, maar hij realiseerde nooit dat de punt fysiek verbogen was. Hij probeerde elke beschikbare oplossing die hij kende, maar omdat hij de buiging niet kon zien, kon hij het probleem niet oplossen. In een ander geval had de AI moeite om een schoon gebied op het monster te vinden omdat het oppervlak bedekt was met onzuiverheden. De AI suggereerde de punt te vervangen, maar de werkelijke oplossing vereiste dat een mens de monsterhouder fysiek draaide, een mechanische handeling die de software niet kon controleren. Zodra een mens die rotatie maakte, was de AI in staat de klus snel te klaren, wat suggereerde dat de punt eigenlijk prima was; het had alleen een schone plek nodig om te kijken.
Deze resultaten laten zien dat hoewel kunstmatige intelligentie succesvol complexe fysieke taken kan beheren, het nog niet in elke situatie een vervanging is voor menselijk oordeelsvermogen. De AI bewees dat hij kon leren van ervaring, kon zich aanpassen aan onverwachte veranderingen en problemen kon oplossen die een reeks beslissingen vereisen. Het kon omgaan met de onzekerheid van de vraag of een spanningspuls de punt zou aanscherpen of verder zou beschadigen. Maar wanneer het probleem buiten de informatie lag die de machine kon bieden — zoals een verbogen punt of een mechanische blokkade die een fysieke draai vereiste — liep de AI tegen een muur aan. Het kon herkennen dat er iets mis was, maar kon niet altijd achterhalen waarom of hoe het zonder hulp opgelost moest worden. De studie suggereert dat voor wetenschap om echt autonoom te worden, de machines zelf zo ontworpen moeten worden dat ze de AI meer volledige informatie en het vermogen geven om een breder scala aan fysieke handelingen uit te voeren. Tot die tijd zullen de meest effectieve experimenten waarschijnlijk een partnerschap blijven, waarbij de machine de routine afhandelt en de mens de verrassingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.