Az Egyesült Államok Energiaügyi Minisztériumához tartozó Sandia Nemzeti Laboratórium kutatói azon dolgoznak, hogy olcsóbb és energiahatékonyabb LED-eket fejlesszenek ki, amelyek idővel kiválthatják a lézereket. Egy napon úgy döntöttek, hogy három AI-alapú asszisztenst „szabadjára engednek” a laborban. Öt órával és több mint 300 lefuttatott kísérlettel később a rendszerek egy olyan új módszert tártak fel a LED-fény irányítására, amely négyszer jobb eredményt hozott, mint amit a kutatók korábban saját emberi szakértelmükkel kidolgoztak.
A Nature Communications folyóiratban megjelent tanulmány jól mutatja, hogyan alakítják át az MI-ügynökök a tudományos munkavégzést.
„Az egyik vezető példája vagyunk annak, hogyan lehet egy önvezérelt laboratóriumot kialakítani az emberi tudás támogatására és kiterjesztésére” – írta Prasad Iyer, a Sandia kutatója egy friss blogbejegyzésben. A kísérlet egy 2023-as tanulmányra épült, amelyben Iyer és csapata bemutatott egy módszert a LED-fény irányítására. Ennek alkalmazásai az autonóm járművektől a holografikus projektorokig terjednek. A kihívást az jelentette, hogy megtalálják a megfelelő paraméterkombinációt a kívánt fénymodulációhoz – ez a kutatók becslése szerint akár évekig is eltarthatott volna. A folyamat felgyorsítása érdekében Iyer kollégáját, Saaketh Desait kérte fel, hogy fejlesszenek ki egy sor mesterségesen intelligens laborasszisztenst.
Eltérően a legtöbb MI-ügynöktől, ezek az eszközök nem külső modellekhez intézett API-hívásokra épültek. Ehelyett a csapat három, szakterület-specifikus modellt fejlesztett, jól bevált gépi tanulási algoritmusokra alapozva. „Nem használtunk nagy nyelvi modelleket. Bár ezek iránt nagy az érdeklődés, és sokan kísérleteznek velük, szerintem még mindig inkább feltáró szakaszban vannak” – mondta Desai az El Reg magazinnak. Mint kiderült, nem is volt rájuk szükség. „Egy egyszerűbb modellt használtunk, az úgynevezett variációs autoenkódert (VAE). Ez a modell már 2013-ban megjelent, a korai generatív modellek közé tartozik” – tette hozzá.
Azáltal, hogy érettebb architektúrákra épülő, szakterület-specifikus modelleket alkalmaztak, a Sandia kutatói elkerülték az úgynevezett hallucinációkat is – vagyis azokat a hibákat, amikor az MI „kitalál” nem létező eredményeket –, amelyek a generatív MI egyik legnagyobb problémájává váltak. „Itt a hallucinációk nem jelentettek komoly gondot, mert kifejezetten erre az egy, nagyon specifikus feladatra szabott generatív modellt építettünk” – magyarázta Desai.
Az első modell VAE-architektúrát használt, amelyet korábban gyakran alkalmaztak képgenerálásra, még a diffúziós modellek 2015-ös megjelenése előtt. Ez a modell előfeldolgozta a labor adatállományait. A kutatók ezután a kimeneteket egy második modellbe táplálták, amely közvetlen kapcsolatban állt a kísérletekhez használt optikai berendezésekkel. Ez az aktív tanulási modell egy bayesi optimalizációs algoritmusra épült, amely kísérleteket generált, lefuttatta azokat, majd elemezte az eredményeket. A folyamat zárt visszacsatolási körben zajlott, a modellek folyamatosan finomították a kísérleteket.
Önmagában azonban nem volt elég tudni, mely paraméterkombináció adja a legjobb eredményt. A valódi tudomány ott kezdődik, hogy megértsük: miért működik egy adott konfiguráció. Ezért a csapat egy harmadik modellt is bevont, amely lényegében tényellenőrzőként funkcionált. Ezt az egyszerű, előrecsatolt neurális hálót arra használták, hogy képletet alkosson a keletkezett adatokra, és utólag igazolja az eredményeket.
Mindezt a csapat viszonylag szerény hardverrel valósította meg: egy Lambda Labs munkaállomással, amely három RTX A6000 grafikus kártyával volt felszerelve – szemben azokkal a MI-modellekkel, amelyeket több százezer GPU-n tanítanak. A modellek együtt nemcsak jelentősen felgyorsították a tesztelést, hanem olyan LED-fényirányítási megoldásokat is felszínre hoztak, amelyekre a kutatók korábban nem gondoltak.
Bár a kutatás középpontjában a LED-ek fényének irányítása állt, Desai szerint az alapmegközelítés más területeken is alkalmazható lehet, például ötvözetek tervezésében vagy nyomtatható elektronikák fejlesztésében. Azoknak a kutatóknak, akik hasonló „önvezérelt laboratóriumot” szeretnének létrehozni, Desai szerint kulcsfontosságú, hogy a berendezések szorosan integrálódjanak a modellkeretrendszerbe. A modellekkel kapcsolatban pedig külön hangsúlyozta a szkepticizmus fontosságát: „Ha fejlettebb architektúrákba és gépi tanulásba – például transzformer alapú LLM-ekbe – vágsz bele, azt tanácsolom, légy rendkívül óvatos azzal kapcsolatban, amit az MI eredményként ad.”
Forrás: https://www.theregister.com
