ИИ-учёный не обойдётся без печи: чему учит подход Periodic Labs

Что будет, если дать языковой модели доступ не только к коду и математике, но и к печи, рентгеновскому дифрактометру и электронному микроскопу? Эту идею проверяет Periodic Labs. В выпуске подкаста Latent Space её основатели объясняют, как устроена автономная лаборатория ИИ и почему они считают её обязательной. Разговор пригодится не только материаловедам: он показывает, как выглядят агенты, когда проверка идёт не в тестах, а в реальности.

Почему автономная лаборатория ИИ нужна даже сильной модели

Исходный тезис простой: интеллект необходим, но недостаточен. Модель хорошо справляется с тем, на чём обучалась, а научное открытие по определению лежит за пределами обучающей выборки. Сколько ни перечитывай учебники, нельзя заранее предусмотреть все исходы эксперимента. Поэтому авторы называют сверхпроводник при комнатной температуре тем, что нельзя получить «с наскока»: нужен итеративный цикл гипотез и проверок.

Отсюда и необычная для ИИ-индустрии постановка. Среды для обучения с подкреплением (RL) здесь буквально вырастают из физической лаборатории, а истиной служат измерения, а не ответы из статей.

Шум как рабочая среда агента

Код и математика дают модели весь контекст: аксиомы, функции, вызовы API. В физике контекста всегда не хватает. Печь со временем обрастает испарившимися веществами, температура внутри неравномерна, вибрации от шагов этажом выше могут сбить лазерную установку. Образец не выходит из печи с этикеткой, и разметка тоже получается шумной.

Поэтому от агента требуется другой набор стратегий рассуждения: принимать решения в условиях неопределённости и экономно тратить ограниченные данные. Нельзя просто запустить ещё тысячу параллельных окружений, как в цифровой среде. Эффективность использования выборки здесь становится ключевым параметром.

Как обучают на фазах, а не на «открытиях»

Ждать несколько дней, чтобы узнать, получился ли сверхпроводник, невозможно: сигнала слишком мало, а эксперимент слишком медленный. Команда разбивает цикл на этапы с короткой обратной связью. Один из примеров — характеризация: по рентгеновской дифракции (XRD) агент определяет, какие фазы есть в образце. Награда за верно найденные фазы и штраф за химически неправдоподобные дают чёткий RL-сигнал. К тому же типичный результат первой попытки — смесь фаз, а не «да» или «нет». Подключаются термодинамика как априорное знание и мультимодальность: электрические, магнитные и морфологические измерения помогают различить фазы, которые на дифрактограмме выглядят одинаково.

Есть и тонкость с данными. Если модель уже видела ответ при предобучении, RL начнёт поощрять имитацию вместо рассуждений. Накопленные лабораторные данные с отметками времени позволяют строить задачи, которых нет в открытых источниках.

Симуляции и эксперименты в одном цикле

Теория функционала плотности (DFT) остаётся лучшим известным авторам способом оценивать стабильность материала. Но она моделирует идеальный кристалл и не видит микроструктуру, а такие свойства, как температура сверхпроводимости, считаются плохо. Даже сто миллионов расчётов не заменят проверку. Поэтому DFT калибруют по экспериментам и используют как один из инструментов цикла, а не как замену лаборатории.

Интеллект встраивают и в оборудование. Простая программа для электронного микроскопа («сфотографировать, приблизить») не давала полезных данных. Когда система знает цель эксперимента и остальные результаты, она сама решает, куда смотреть. Это улучшает данные для будущих моделей. Мешают задержки: многократные вызовы модели и симуляции в цикле не всегда укладываются во временную шкалу процесса.

Что из этого следует

Для инженеров главный урок в том, что агент хорош настолько, насколько хороша его проверка. В коде это тесты, в материаловедении — печь и дифрактометр. Авторы прагматичны: автоматизируют то, что отнимает много времени у людей и легко поддаётся автоматизации, а гуманоидов, по их мнению, строить рано. Полная автономность не цель, цель — большой поток разнообразных и качественных данных. Если эта логика верна, следующий скачок ИИ-агентов будет зависеть от доступа к физическому миру не меньше, чем от размера моделей.