In het laboratorium is de weg naar ontdekking vaak een lang, kronkelend pad van vallen en opstaan. Een natuurkundige stelt een delicaat experiment op, draait aan een knop, wacht op een signaal en interpreteert vervolgens het resultaat. Als het signaal zwak is of het apparaat zich vreemd gedraagt, moet de onderzoeker beslissen of hij de instellingen aanpast, de theorie verandert of opnieuw begint. Dit proces leunt zwaar op menselijke intuïtie, jarenlange training en het vermogen om te zien wanneer er iets mis is. Maar wat als een onderzoeker een onvermoeibare partner had die elke handleiding kon lezen, duizenden simulaties in een middag kon draaien en nooit een klein detail zou missen? Dit is de belofte van kunstmatige intelligentie in de wetenschap. Het geven van de sleutels van een natuurkundig laboratorium aan een computer is echter niet zo eenvoudig als een computer vragen een probleem op te lossen. Computers kunnen feiten verzinnen, verdwalen in hun eigen logica of gevaarlijke acties voorstellen als ze niet zorgvuldig worden begeleid. De uitdaging is niet alleen om een slimme machine te bouwen, maar om een machine te bouwen die denkt als een wetenschapper: een machine die eerlijk is over haar fouten, haar eigen werk controleert en weet wanneer ze hulp moet vragen.

Een team onderzoekers aan de University of Maryland heeft deze uitdaging aangepakt door een nieuwe manier te creëren waarop mensen en kunstmatige intelligentie samen kunnen werken. Ze hebben niet simpelweg een computer geprogrammeerd om code te schrijven of simulaties uit te voeren; in plaats daarvan hebben ze een gestructureerde omgeving gebouwd genaamd PhysKit, ontworpen om een groot taalmodel te veranderen in een collaboratieve onderzoeksassistent. Zie dit systeem als een reeks strikte regels en nuttige hulpmiddelen die de computer door de wetenschappelijke methode leiden. De computer mag niet gokken; hij moet een stapsgewoon proces volgen waarbij hij een idee voorstelt, het test, de resultaten controleert op fouten en vervolgens rapporteert aan de menselijke onderzoeker. De mens blijft de kapitein, die de doelen stelt en de uiteindelijke beslissingen neemt, terwijl de computer fungeert als een krachtige motor die mogelijkheden veel sneller kan verkennen dan een persoon alleen zou kunnen. Deze samenwerking stelt het team in staat om "closed-loop" campagnes uit te voeren, waarbij de computer uren of zelfs dagenlang autonoom werkt en iteraties uitvoert op oplossingen totdat hij het beste antwoord vindt, terwijl hij tegelijkertijd een perfect, georganiseerd verslag bijhoudt van elke stap die hij heeft genomen.

Het team testte deze aanpak met zes verschillende experimenten, variërend van het ontwerpen van nieuwe hardware tot het analyseren van complexe gegevens. In één geval vroegen ze de computer om een neuraal netwerk te verbeteren, een type software dat wordt gebruikt voor het reconstrueren van afbeeldingen van elektrische stromen uit magnetische metingen. De computer analyseerde het bestaande ontwerp, probeerde duizenden variaties uit en ontdekte een nieuwe architectuur die de fouten met drieendertig procent verminderde. Dit deed hij door een efficiëntere manier te vinden om de gegevens te verwerken, waarbij minder rekenkracht werd gebruikt terwijl er duidelijkere resultaten werden geproduceerd. In een ander experiment wilde het team begrijpen hoe een specifieke defect in een tweedimensionaal materiaal genaamd hexagonaal boornitride reageert wanneer het wordt geraakt door licht. Wetenschappers hadden een standaardmodel gebruikt om dit gedrag te beschrijven, maar dat kwam niet perfect overeen met de gegevens. De computer onderzocht de gegevens en stelde een nieuw, complexer model voor met elf energieniveaus in plaats van de voorheen gebruikte zeven of negen. Dit nieuwe model sloot veel beter aan bij de experimentele gegevens en voorspelde hoe het materiaal zich onder verschillende omstandigheden zou gedragen nauwkeuriger dan welke eerdere poging ook.

Het systeem bewees ook zijn waarde in de fysieke wereld, niet alleen in simulaties. De onderzoekers gebruikten de computer om een microgolfapparaat te ontwerpen dat nodig is om kwantumsensoren te besturen. De computer moest veel tegenstrijdige eisen in evenwicht houden, zoals het creëren van een specifiek type golf terwijl hij binnen de vermogenslimieten van hun apparatuur bleef. Het produceerde een ontwerp dat klaar was om gebouwd te worden en aan al hun strikte experimentele beperkingen voldeed. In een directere test van hardwarecontrole hielp de computer bij het in bedrijf nemen van een kernmagnetische resonantiespectrometer, een apparaat dat wordt gebruikt om magnetische velden te detecten. Vertrekkend vanuit een ongekalibreerde staat, voerde de computer een reeks experimenten uit op de live machine, waarbij hij de instellingen aanpaste en de resultaten analyseerde totdat hij een frequentieprecisie van ongeveer één hertz bereikte. Dit is een nauwkeurigheid die normaal gesproken een menselijke expert dagen zou kosten, maar de computer deed het in net meer dan twintig uur. Ten slotte gebruikte het team het systeem om gegevens te analyseren van een kunstmatige spin-ijs array, een materiaal gemaakt van minuscule magnetische eilanden. De computer slaagde erin de magnetische staat van elk afzonderlijk eiland in de array te reconstrueren vanuit wazige afbeeldingen, een taak die nog nooit eerder met dit type gegevens was gedaan.

Wat deze resultaten belangrijk maakt, is niet alleen dat de computer antwoorden vond, maar hoe hij ze vond. Het systeem was ontworpen om eerlijk te zijn. Als een voorgestelde oplossing er op papier goed uitzag maar een specifieke test niet doorstond, verwierp de computer deze. Het hield een gedetailleerd logboek bij van elke aanname die het maakte en elke regel code die het schreef, waardoor een mens altijd kon traceren hoe een resultaat tot stand was gekomen. De onderzoekers vonden dat de computer bijzonder goed was in het opmerken wanneer het op het verkeerde pad zat. Bijvoorbeeld, in de materiaalstudie testte de computer meer dan honderd verschillende modelstructuren. Het vond er enkele die veelbelovend leken, maar verwierp ze omdat ze de toekomstige gegevens niet correct voorspelden of omdat ze de basis natuurwetten schonden. Het selecteerde het uiteindelijke model pas nadat het elke controle had doorstaan, inclusief tests waarbij de computer gegevens moest voorspellen die het nog nooit eerder had gezien. Deze rigoureuze aanpak voorkwam dat het systeem in de val liep van simpelweg gegevens memoriseren of cijfers verzinnen om succesvol te lijken.

Het succes van deze experimenten suggereert een nieuwe manier van wetenschap bedrijven. In plaats van menselijke onderzoekers te vervangen, fungeert dit type kunstmatige intelligentie als een krachtvermultiplier. Het handelt de repetitieve, tijdrovende taken af van het testen van ideeën en het controleren van berekeningen, waardoor de menselijke wetenschapper vrijkomt om zich te concentreren op het grote plaatje en de moeilijke oordeelsvorming. De computer kan experimenten uitvoeren terwijl de onderzoeker slaapt, of een enorm landschap van mogelijkheden verkennen die onmogelijk met de hand te navigeren zijn. Maar het werkt het beste wanneer er een duidelijke samenwerking is. De mens stelt de grenzen, definieert de doelen en biedt de context die de computer niet uit zichzelf kan weten, zoals de specifieke eigenaardigheden van een stuk apparatuur of de subtiele beperkingen van een fysisch systeem. De computer brengt op zijn beurt een niveau van consistentie en snelheid met zich mee dat het onderzoeksproces transformeert.

De onderzoekers benadrukken dat dit geen volledig autonoom systeem is dat zelfstandig wetenschappelijke artikelen schrijft of ontdekkingen doet. Het is een instrument dat een mens in de loop vereist, om de resultaten te verifiëren en om ervoor te zorgen dat de wetenschap solide blijft. Het systeem is ontworpen om adaptief te zijn, waarbij het leert van elk project om het eigen kader te verbeteren. Naarmate het team PhysKit blijft gebruiken, verwachten ze nieuwe vaardigheden toe te voegen en het proces te verfijnen, waardoor het nog effectiever wordt voor een breder scala aan wetenschappelijke problemen. Het uiteindelijke doel is om een standaardmethode te creëren voor wetenschappers om met kunstmatige intelligentie te werken, om ervoor te zorgen dat de technologie verantwoord en effectief wordt gebruikt. Door menselijke expertise te combineren met de computationele kracht van deze agenten, heeft het team laten zien dat het mogelijk is om ontdekkingen te versnellen zonder de strengheid en eerlijkheid op te offeren die de basis vormen van de wetenschap. De resultaten zijn niet alleen sneller; ze zijn beter, wat leidt tot nieuwe modellen, betere apparaten en een dieper begrip van de fysieke wereld.