AI hỗ trợ tạo giả thuyết nghiên cứu

Việc xây dựng một giả thuyết nghiên cứu độc đáo và triển vọng là kỹ năng nền tảng cho bất kỳ nhà khoa học nào, nhưng đồng thời cũng rất tốn thời gian. Các nghiên cứu sinh thường mất hàng tháng, thậm chí cả năm, chỉ để xác định hướng đi cho thí nghiệm của mình. Liệu trí tuệ nhân tạo có thể giúp giải quyết vấn đề này?

Ảnh: MIT News

Nhóm nghiên cứu tại MIT đã phát triển một khung AI có tên SciAgents, bao gồm nhiều tác nhân AI phối hợp để tạo ra và đánh giá các giả thuyết nghiên cứu. Khung này dựa trên phương pháp "lập luận đồ thị" (graph reasoning), trong đó các mô hình AI sử dụng đồ thị tri thức để tổ chức và định nghĩa mối quan hệ giữa các khái niệm khoa học.

GS. Markus Buehler, đồng tác giả nghiên cứu, nhận xét rằng cách tiếp cận này lấy cảm hứng từ nguyên tắc "chia để trị" trong sinh học, nơi các hệ thống phức tạp được xây dựng từ những khối cơ bản. Ông so sánh điều này với cách cộng đồng khoa học tại MIT làm việc, nơi các nhà nghiên cứu từ các lĩnh vực khác nhau hợp tác một cách tự nhiên.

“Chúng tôi đang cố gắng mô phỏng cách cộng đồng khoa học khám phá và sáng tạo, nhưng thay vì trông cậy vào sự tình cờ và thời gian dài, AI có thể làm điều này nhanh hơn và có hệ thống hơn”, Buehler chia sẻ.

Khung SciAgents được xây dựng dựa trên đồ thị tri thức tổ chức thông tin từ các bài báo khoa học, giúp AI không chỉ nhớ thông tin mà còn tạo ra tri thức mới. Đồ thị này được tạo ra từ các nghiên cứu trong lĩnh vực vật liệu sinh học và có thể mở rộng cho bất kỳ lĩnh vực khoa học nào.

Hệ thống bao gồm nhiều tác nhân AI, mỗi tác nhân đảm nhận một vai trò cụ thể:

“Nhà ngữ học” (Ontologist): Định nghĩa thuật ngữ khoa học và xây dựng kết nối giữa các khái niệm.

“Nhà khoa học 1” (Scientist 1): Đề xuất giả thuyết dựa trên các yếu tố như tính mới lạ và khả năng phát hiện các thuộc tính bất ngờ.

“Nhà khoa học 2” (Scientist 2): Đưa ra các đề xuất chi tiết về cách tiến hành thí nghiệm hoặc mô phỏng để kiểm chứng giả thuyết.

“Nhà phê bình” (Critic): Đánh giá giả thuyết, chỉ ra điểm mạnh, điểm yếu và đề xuất cải tiến.

Các tác nhân này tương tác và phối hợp để tạo ra các ý tưởng mà không một tác nhân đơn lẻ nào có thể thực hiện được. Ví dụ, một giả thuyết về việc tích hợp lụa với sắc tố từ bồ công anh được đề xuất để tạo ra vật liệu có tính chất cơ học và quang học vượt trội. “Nhà khoa học 2” đề xuất sử dụng các công cụ mô phỏng động lực học phân tử để kiểm tra vật liệu, trong khi “Nhà phê bình” chỉ ra những thách thức như tính bền vững và chi phí sản xuất.

Hệ thống SciAgents không chỉ giúp đánh giá tính khả thi của giả thuyết mà còn kiểm tra tính mới mẻ thông qua việc tìm kiếm trong tài liệu khoa học hiện có. Các thí nghiệm cho thấy hệ thống có khả năng tạo ra những ý tưởng độc đáo và đầy triển vọng trong các lĩnh vực như:

Cải tiến vật liệu sinh học: Tăng cường tính cơ học của cấu trúc collagen hoặc tích hợp graphene với amyloid fibrils để tạo ra thiết bị bioelectronics.

Ứng dụng ngoài khoa học: Các nhà nghiên cứu nhận được hàng trăm yêu cầu áp dụng khung này trong lĩnh vực tài chính, an ninh mạng và nhiều lĩnh vực khác.

Nhóm nghiên cứu hy vọng sẽ mở rộng khả năng của SciAgents bằng cách tích hợp các công cụ truy xuất thông tin và mô phỏng tiên tiến hơn. Họ cũng đang lên kế hoạch sử dụng các mô hình AI hiện đại hơn để cải thiện toàn bộ hệ thống.

Buehler nhấn mạnh: “Bởi vì các tác nhân AI tương tác lẫn nhau, bất kỳ cải tiến nhỏ nào ở một tác nhân cũng sẽ có tác động lớn đến hiệu quả của cả hệ thống.”

Ông hình dung một tương lai nơi các nhà nghiên cứu có thể sử dụng ứng dụng đơn giản để tạo ra và kiểm chứng hàng nghìn ý tưởng mới, giúp giảm thiểu thời gian và chi phí trong phòng thí nghiệm.

(Nguồn: MIT News)