Передовые системы ИИ способны преобразовать биологические исследования и разработку лекарств, перебирая огромные пространства поиска. Например, один белок из 100 аминокислот имеет как минимум 20100 возможных последовательностей, что требует динамического исследования множества кандидатов. Долгосрочное видение Google заключается в том, что ИИ-агенты будут не только генерировать идеи и анализировать, но и проводить лабораторные эксперименты, учиться на результатах и совершенствоваться, и всё это под руководством человеческой научной ответственности.
Реализация этого видения требует решения двух взаимосвязанных задач. Во-первых, передовые модели по-прежнему не могут надёжно рассуждать о трёхмерной геометрии и физическом состоянии, что осложняет автоматизацию роботов для работы с жидкостями, которые перемещают реагенты, контролируют объёмы и выполняют протоколы молекулярной биологии. Во-вторых, хотя генерация гипотез и проектирование in silico стремительно развиваются, реальные эксперименты в мокрых лабораториях не успевают за ними, и снятие экспериментальных показаний становится узким местом как никогда.
Для решения первой задачи команда представляет фреймворк VERified Infrastructure for Discovery Laboratories (VERID). VERID — это семантический цифровой двойник рабочей ячейки лаборатории: живая, сохраняющая состояние трёхмерная модель, которая отслеживает всё — от геометрии роботизированной руки до объёмов отдельных лунок, идентификаторов реагентов и запаса наконечников для пипеток. Построенный на базе открытого фреймворка PyLabRobot, он предлагает отслеживание состояния в 3D в реальном времени, быстрые виртуальные пробные прогоны, проверки безопасности оборудования и синхронизированные журналы видео и действий.
В примерах из практики синхронизированное видео зафиксировало неравномерное расслоение красителя, вызванное дозированием слишком близко ко дну лунки, и агент уточнил свою стратегию перемешивания. Когда симулятор отклонил 8-канальную аспирацию, которая не помещалась в узкое корытце, агент перепланировал действия и разработал целенаправленную факторную диагностику. В ходе замкнутой кампании самообучения через игру агент повысил точность более чем в пять раз, выявив собственные оптические и гидродинамические артефакты.
Источник: Google AI Blog · Сводку подготовил HeadlinesBriefing