Autonomous adaptive spectral analysis with an LLM agent for self-driving laboratories
本文提出了一种将大语言模型与确定性数值分析相结合的自主智能体，用于自驱动实验室中光谱数据异常的自适应处理，该智能体成功恢复了大多数失败的光透射光谱的定量乌尔巴赫能量值，并为模糊案例提供了具有科学辩护性的拒绝说明。
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
在寻找用于更快速电子设备、更长寿命电池或更高效太阳能电池的新材料的竞赛中，科学家们经常面临一个艰巨的挑战：可能性的空间过于庞大，无法通过人工进行探索。想象一下，试图通过测试面粉、糖和温度的所有可能组合来找到完美的蛋糕配方；这将耗费一生的时间。为了加速这一过程，研究人员构建了“自动驾驶实验室”。这些是自动化系统，它们可以在没有人工干预的情况下混合化学物质、生长晶体并测试特性，并利用人工智能来决定下一步进行哪项实验。其目标是一个持续的循环，即机器从每一个结果中学习，并立即设计下一个实验，从而加速发现过程。
然而，在这些自动化实验室中出现了一个关键的瓶颈。虽然机器非常擅长收集原始数据——例如测量有多少光线穿过薄膜材料——但当情况出现轻微偏差时，它们往往难以解释这些数据。一个标准的计算机程序可能会被告知去寻找光数据中的特定模式，以计算一个有用的属性，比如材料吸收能量的效果如何。如果数据存在噪声或模式略有扭曲，程序就会直接停止并报告错误，导致机器人无法得到答案。在人类实验室中，科学家会扫一眼杂乱的数据，意识到计算机的要求过于严苛，然后轻轻调整设置以获得可靠的数值。而在全自动实验室中，这种对人工干预的停顿打破了流程，减慢了整个过程。问题变成了：机器能否学会做出这种判断？
日本 NTT 基础研究实验室的一个研究小组开发了一种弥补这一差距的解决方案。他们创建了一个由大语言模型驱动的智能代理，充当自动化分析的监督者。该代理并不取代用于提取数据的精确数学计算，而是位于这些计算之上进行观察。当标准分析运行完美时，代理会接受结果并继续执行；但当标准程序失败时，代理就会介入并决定下一步该做什么。它会检查原始数据和失败的原因，然后尝试对分析设置进行非常具体且有限的调整。如果这些微小的调整产生了科学上合理的数值，代理就会接受这个修复后的值。如果数据过于混乱或模式完全缺失，代理则会做出艰难的决定，报告无法找到可靠数值，而不是强行给出一个错误的结果。
为了测试这一系统，研究人员将其应用于对一种名为氧化镓（beta-gallium oxide）的半导体薄膜进行的 203 次光学测量。这些薄膜是在之前的自驾驶实验过程中生长的。此前使用的标准分析脚本成功计算了其中 183 片薄膜的特定质量指标，但对剩下的 20 片失败了。当新代理接管后，它确认了那 183 个正确结果而未对其进行更改。对于那 20 个失败案例，该代理表现得像一名熟练的故障排除专家。它通过对分析参数进行细微且合理的调整（例如稍微移动用于计算的数据范围），成功恢复了其中的 16 例。对于最后的 4 例，代理判定数据中根本不包含足够清晰的模式，因此无法信任任何数值，于是正确地报告无法获得数值。
结果表明，该系统既具备人类专家的细致处理能力，又具备机器的速度。通过成功恢复 16 个失败的分析，团队将自动化工作流的成功率提高到了接近 98%。更重要的是，该系统避免了从错误数据中强行得出数值的陷阱；它知道何时应该停止并说“我不知道”。这种区别对于科学至关重要，因为报告错误的值可能会误导未来的实验。该代理还详细记录了每一个决策，解释了为什么要调整设置或为什么要拒绝某个结果。这种透明度意味着，在全自动实验室中，系统可以长时间运行而无需人工介入来修复错误，只有在机器本身标记出困难案例时才需要人工审查。这项工作证明，人工智能不仅可以用于运行实验，还可以用于理解实验所产生的数据质量，从而保持科学循环的闭环并持续推进。
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。