Hochentwickelte KI-Systeme könnten die biologische Forschung und Medikamentenentwicklung verändern, indem sie riesige kombinatorische Suchräume durchdringen. Ein einziges Protein mit 100 Aminosäuren umfasst zum Beispiel mindestens 20100 mögliche Sequenzen, was eine dynamische Erkundung vieler Kandidaten erfordert. Googles langfristige Vision ist, dass KI-Agenten nicht nur Ideen entwickeln und analysieren, sondern auch Laborexperimente durchführen, aus den Ergebnissen lernen und sich selbst verbessern – alles unter menschlicher wissenschaftlicher Verantwortung.
Diese Vision zu verwirklichen erfordert die Lösung zweier miteinander verbundener Herausforderungen. Erstens können Spitzenmodelle räumliche 3D-Geometrie und physikalische Zustände noch nicht zuverlässig beurteilen, was die Automatisierung der Flüssigkeitshandhabungsroboter erschwert, die Reagenzien bewegen, Volumina erfassen und molekularbiologische Protokolle ausführen. Zweitens kommen reale Nasslaborexperimente nicht mit der rasanten Entwicklung der In-silico-Hypothesengenerierung und des Designs mit, sodass die experimentellen Messwerte mehr denn je zum Engpass werden.
Um die erste Herausforderung anzugehen, stellt das Team das VERified Infrastructure for Discovery Laboratories (VERID)-Framework vor. VERID ist ein semantischer digitaler Zwilling der Laborarbeitszelle: ein lebendiges, zustandsbehaftetes 3D-Modell, das alles verfolgt, von der Geometrie des Roboterarms über die Volumina einzelner Vertiefungen und Reagenzienidentitäten bis hin zum Pipettenspitzen-Bestand. Auf dem Open-Source-Framework PyLabRobot aufbauend bietet es Live-3D-Zustandsverfolgung, schnelle virtuelle Trockenläufe, Hardware-Sicherheitsprüfungen sowie synchronisierte Video- und Aktionsprotokolle.
In Fallstudien erfasste das synchronisierte Video eine ungleichmäßige Farbschichtung, die dadurch entstand, dass zu nah am Boden der Vertiefung dosiert wurde; der Agent verfeinerte daraufhin seine Mischstrategie. Als der Simulator eine 8-Kanal-Aspiration ablehnte, die in eine schmale Rinne nicht hineinpasste, plante der Agent um und entwarf eine gezielte faktorielle Diagnose. In einer geschlossenen Selbstspiel-Kampagne verbesserte ein Agent seine Genauigkeit um mehr als das Fünffache, indem er seine eigenen optischen und fluidischen Artefakte identifizierte.
Quelle: Google AI Blog · Zusammengefasst von HeadlinesBriefing