Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy
本文表明，尽管前沿大语言模型智能体在经过短暂的人类训练后能够自主执行复杂的扫描隧道显微镜针尖调理任务，但其有效性最终受限于未建模的实验状态和不确定的动作结果，这凸显了未来的自主系统需要推断隐藏动力学并在实际仪器的限制范围内运行。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在物理实验室那安静且受控的世界里，科学家们经常依赖机器来观察那些不可见之物。其中一种机器便是扫描隧道显微镜，这种设备极其灵敏，甚至可以逐个原子地绘制出材料表面的图像。为了实现这一目标，它使用一个末端宽度不大于单个原子的探针尖端。这个尖端必须形状完美，才能充当一只锐利的“眼睛”；如果它变得钝化或损坏，所产生的图像就会模糊且毫无用处。传统上，准备这种尖端是一个缓慢且令人沮丧的过程，需要人类专家进行微小的调整，通过猜测正在发生的情况，并不断尝试直到图像清晰为止。这是一项受隐藏变量支配的任务：科学家无法直接看到尖端的形状，只能从它拍摄的照片中进行推断。现在，一种新型的助手进入了实验室：一种能够阅读指令、观察结果并做出自主决策的人工智能代理。研究人员想要回答的问题是，这样一个代理是否能够学会自主修复这些脆弱的尖端，即使其行为的结果具有不确定性，且机器的表现并不总是符合预期。
波士顿学院的一组研究人员决定使用一种特定类型的人工智能——大语言模型，来测试这个想法。这些模型经过海量文本训练，具备处理复杂问题的推理能力，但它们很少在充满变数的物理实验现实中接受测试，因为在实验中，事情并不总是按计划进行。研究人员构建了一个名为 Quailbot 的系统，作为人工智能与显微镜之间的桥梁。该系统允许人工智能读取来自机器的数据，并发送改变设置的指令。研究人员首先通过一段引导式练习，教导人工智能如何操作显微镜，就像学徒向师傅学习一样。在此期间，人类专家向人工智能展示了如何通过抖动尖端来重塑形状，以及如何施加电压脉冲来进行清洁。人工智能不仅学习了步骤，还学会了如何利用它看到的图像来判断某一步骤是否奏效，从而决定下一步的操作。
一旦训练完成，研究人员便让人工智能完全独立地运行实验。他们刻意从一个产生糟糕图像的损坏尖端开始。人工智能开始工作，发送移动尖端和调整电压的指令。它实时观察图像的变化。当人工智能看到一个突起正向尖端升起时，它决定退后，而不是冒险发生碰撞。当它看到图像中出现了一个暗示有碎屑存在的奇怪三角形形状时，它改变了策略，将尖端移动到新的位置。在进行了大约七十分钟的独立工作后，人工智能停止了动作并宣布任务完成。它生成的最终图像显示了一个清晰、锐利的原子图案，人类专家随后确认这一结果是成功的。在第二次测试中，研究人员引入了一个机械问题：移动尖端的部件卡住了。人工智能注意到运动并未如预期般工作，于是调整了策略，采取更小的步幅并更频繁地检查结果。尽管机器出现了故障，它最终还是成功准备好了尖端。
然而，这项实验也揭示了这种新型自主性的局限性。在一种情景中，研究人员在人工智能开始前秘密地弯曲了尖端。人工智能观察到了异常行为，例如电流突然激增，并试图利用它所学到的知识来解释这些现象。它猜测尖端可能存在第二个接触点，但它从未意识到尖端在物理上发生了弯曲。它尝试了所有已知的修复方法，但由于它看不见弯曲，因此无法解决问题。在另一个案例中，由于表面覆盖着杂质，人工智能难以找到一块洁净的区域。人工智能建议更换尖端，但真正的解决方案需要人类去物理旋转样品架，而这是一种软件无法控制的机械动作。一旦人类进行了那次旋转，人工智能便能迅速完成工作，这表明尖端本身其实一直处于良好状态，只是需要一个干净的地方进行观察。
这些结果表明，虽然人工智能可以成功管理复杂的物理任务，但在每种情况下都还无法取代人类的判断。人工智能证明了它能够从经验中学习，适应意外变化，并解决需要一系列决策的问题。它可以处理电压脉冲究竟会使尖端变尖还是会导致进一步损坏这种不确定性。但是，当问题超出机器所能提供的信息范围时——比如弯曲的尖端或需要物理扭转才能解决的机械卡顿——人工智能就会撞上南墙。它能够识别出出了问题，但并不总能弄清楚原因，或者在没有帮助的情况下如何修复它。这项研究表明，要实现科学的真正自主化，机器本身必须被设计成能够为人工智能提供更完整的信息以及执行更广泛物理动作的能力。在此之前，最有效的实验可能仍将是一种伙伴关系，由机器处理常规事务，而由人类应对突发状况。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。