4分でノーベル賞の再現に成功！ CMU は化学研究を覆す GPT-4 化学者、自律コーディング、ロボット制御を開発し、Nature に発表

ChatGPT モデルは今年人気となり、予想外に化学の分野全体を覆しました。

まず、Google DeepMindのAIツールGNoMEが200万の結晶構造を予測することに成功し、その後MicrosoftがMatterGenをリリースし、必要な材料特性の設計速度が大幅に加速しました。

今日、CMU と Emerald Cloud Lab の研究チームが新しい自動化 AI システム「Coscientist」を開発し、Nature 誌に発表しました。

さまざまな反応を設計、エンコード、実行し、化学実験室を完全に自動化できます。

写真

実験的評価では、Coscientist は GPT-4 を使用して人間の指示に従って化学文献を検索し、分子を合成する反応経路を設計することに成功しました。

GPT-4 はインターネット上の取扱説明書を走査し、データベースから最適なキットと試薬を選択して、実際に分子を作成します。

論文アドレス: https://www.nature.com/articles/s41586-023-06792-0

最も衝撃的なのは、Coscientist がノーベル賞を受賞した研究をわずか 4 分で再現したことです。

具体的には、新しい AI システムは、「パラジウム触媒カップリング反応」の最適化の成功を含む、6 つの異なるタスクで化学研究を加速する可能性を示しました。

「パラジウム触媒カップリング反応」の研究は、アメリカの化学者リチャード・フレッド・ヘック氏と日本人化学者２人が2010年のノーベル化学賞を受賞した。

「人間が発明した化学反応を無機知能が自律的に計画、設計、実行するのを見た瞬間は驚きでした」と、研究を率いたCMUの化学者ゲイブ・ゴメ氏は語った。

GPT-4 自動化学研究

科学分野での人工知能ツールの使用は急増しているが、研究室で働く研究者やコードに精通していない研究者にとって、AIは容易に利用できるものではない。

化学研究は反復的なサイクルに基づいていることは誰もが知っています。このサイクルでは、特定の目標を達成するために実験が設計、実行され、改良されます。

化学者にとって、研究は多岐にわたります。化学反応を実行するための技術的なスキルだけでなく、それを計画し設計するための知識も必要です。

たとえば、新しい物質を合成する場合、化学者は「逆合成分析」、つまり最終的なターゲット物質から段階的に遡って最初の分子を決定し、適切な反応条件をデータベースで検索して、最も成功する可能性が高い合成経路を選択する必要があります。

しかし、実際の実験では、化学反応では期待される高い収率と選択性で生成物を生成できないことがほとんどです。

この時点で、文献を再検索し、新しい実験ルートを設計し、実験を再度試す必要があり、反復プロセス全体が終わりのないプロセスになります。

人間の化学者にとって、たとえ適切な知識を持っていたとしても、化学反応を設計して実行することは容易な作業ではありません。設計された化学反応では、理想的な速度で生成物を生成することが難しいことが多いためです。

OpenAIが3月にGPT-4をリリースしたとき、ゴメス氏と彼のチームは、この大規模モデルを化学者に役立つものにする方法について考え始めた。

「コサイエンティストは、本当によく訓練された化学者ができることのほとんどを行うことができます」とゴメス氏は言います。

人間の科学者が Coscientist に特定の分子の合成を依頼すると、Coscientist はインターネットを検索して合成経路を設計し、目的の反応の実験プロトコルを設計します。

特定の実験計画を受け取った後、ピペッティングワークステーションに指示するコードを記述し、そのコードを実行してロボットにプログラムされたタスクを実行させることができます。

本当に素晴らしいのは、Coscientist が反応の結果から学習し、プロトコルを改善するための変更を推奨できることです。

この反復サイクルにより反応が最適化され、目的の実験目標が達成されます。

AIが化学ロボットを制御するコードを書く

言うまでもなく、現在のハイテク化学ロボットは通常、人間の化学者によって書かれたコンピューター コードによって制御されています。

Coscientist システムは、AI によって記述されたコンピュータ コードによって制御されるロボットを実現した初めてのシステムです。

研究者らはまず、ロボット液体ハンドラーを制御して、格子状に配置された 96 個のウェルを含む皿に色のついた液体を分注するという単純な作業を Coscientists に課しました。

「1本おきに色を落とす」、「青い斜めの線を描く」、「黄色で3×3の長方形を描く」、「赤い十字を描く」などの課題が出されました。

共同科学者は液体処理ロボットのさまざまな設計を試すように指示された

液体処理機は、まだ初期テスト段階です。チームはまた、エメラルド クラウド ラボを通じて、Coscientist にさまざまな種類のロボット装置を導入しました。

研究室には、化学サンプルが吸収する光の波長を測定する分光計など、さまざまな自動化機器が備わっています。

皿には 3 つの異なる色の液体 (赤、黄、青) が入っており、科学者はこれらの液体の色と皿の上のどこにあるかを判断するように求められます。

共科学者には「目」がないので、謎のカラープレートを分光光度計に自動的に渡し、各穴で吸収された光の波長を分析して、カラープレート上の色と位置を識別するコードを書くことしかできません。

このタスクでは、研究者は Coscientist にわずかなヒントを与え、さまざまな色が光を吸収する方法を考慮するように指示する必要がありました。

残りのタスクはAIシステムに完全に委託することができます。

Coscientist によって生成されたコード。手順は次のとおりです: メソッドのメタデータを定義し、ラボウェア モジュールをロードし、液体ハンドラーを設定し、必要な試薬転送を実行し、ヒーター シェーカー モジュールを設定し、反応を実行し、モジュールを閉じます。

ノーベル賞を4分で再現し、コードエラーを独自に修正

コサイエンティストの究極のテストは、組み立てたモジュールとトレーニングを組み合わせて、研究チームの「鈴木と薗頭の反応」を実行するという命令を完了することです。

1970年代に発見されたこの反応は、金属パラジウムを触媒として使用し、有機分子内の炭素原子間の結合を形成します。

これらの反応は、炎症、喘息、その他の病気を治療するための新薬の製造に非常に有用であることが証明されています。これらは、有機半導体や、多くのスマートフォンやディスプレイに使用されている有機発光ダイオードにも使用されています。

驚くべきことに、これらの画期的な反応とその広範な影響は、スクジ、リチャード・ヘック、根岸英一に授与された2010年のノーベル賞によって正式に認められました。

もちろん、Coscientist はこれまでこれらの反応を試したことはありませんでした。

MacKnight 氏は、Coscientist が技術文書の検索に使用するソフトウェア モジュールを設計しました。「私にとって最も印象的だったのは、このモジュールが適切な質問をすべて行っているのを見たときでした」と同氏は語ります。

Coscientist は主に Wikipedia で答えを探しましたが、アメリカ化学会、王立化学会、その他鈴木反応と薗頭反応を説明する学術論文が掲載されている多くの Web サイトも調べました。

パラジウム触媒カップリング反応の全過程

共同科学者は、チームが提供した化学物質を使用して、4 分以内に目的の反応を生み出す正確な手順を考案しました。

ロボットを使って現実世界でプログラムを実行しようとしたところ、液体サンプルを加熱して振動させる装置を制御するために書いたコードに「間違い」が生じた。

しかし、人間からの指示がなくても、Coscientist はすぐに問題に気づき、デバイスの技術マニュアルを再度参照し、コードを修正して再試行しました。

実験結果は、いくつかの極めて小さな透明液体サンプルに含まれていました。ボイコ氏はサンプルを分析し、鈴木反応と薗頭反応の両方のスペクトル特性を発見した。

ボイコ氏とマックナイト氏がゴメス氏に共同科学者らの研究結果を伝えたとき、ゴメス氏は懐疑的だった。

「彼らは私をからかっているのだと思った」と彼は思い出した。

しかし、結果は出ており、それは驚くべきものです。

「それに伴い、この潜在的な力を賢く使い、その悪用を防ぐという課題も生じます」とゴメス氏は述べ、AI の能力と限界を理解することが、意図的か偶発的かを問わず有害な AI の使用を効果的に防ぐことができる情報に基づいたルールとポリシーを策定する第一歩であると語った。

コサイエンティスト基本アーキテクチャ

研究者らは、複雑な科学実験を自律的に設計、計画、実行できるマルチ LLM ベースのインテリジェント エージェント (以下、Coscientist と呼ぶ) を提案しました。共同科学者は、ツールを使用してインターネットや関連ドキュメントを閲覧したり、ロボット工学アプリケーション プログラミング インターフェイス (API) を使用したり、他の LLM を活用してさまざまなタスクを完了したりできます。

研究者らは、Coscientist の汎用性とパフォーマンスを 6 つのタスクで実証しました。

（１）公開データを活用して既知の化合物の化学合成を計画する。

（２）大量のハードウェアドキュメントを効率的に検索・閲覧する。

（３）ドキュメントを使用してクラウドラボで高度なコマンドを実行する。

（４）低レベルの命令を使用して液体処理装置を正確に制御する。

（５）複数のハードウェアモジュールの同時使用と異なるデータソースの統合を必要とする複雑な科学的タスクの処理。

（６）以前に収集された実験データの分析を必要とする最適化問題を解決する。

科学者は、「複数のモジュール（Web およびドキュメントの検索、コードの実行）とのやり取りと実験を通じて」複雑な問題を解決するために必要な知識を獲得します。

メイン モジュール (プランナー) の目的は、以下に定義されたコマンドを呼び出して、ユーザー入力に基づいて計画を立てることです。

プランナーは、アシスタントの役割を果たす GPT-4 チャット インスタンスです。ユーザーの初期入力とコマンド出力は、プランナーに対するユーザー情報と見なされます。プランナーのシステムヒント (LLM 目標を定義する静的入力) はモジュール方式で設計されており、アクション スペースを定義する 4 つのコマンドとして記述されます: 「GOOGLE」、「PYTHON」、「DOCUMENTATION」、および「EXPERIMENT」。

プランナーは、知識を収集するために必要に応じてこれらのコマンドを呼び出します。 GOOGLE コマンドは、それ自体が LLM である Web 検索モジュールを使用してインターネットを検索する役割を担っています。

PYTHON コマンドを使用すると、プランナーは「コード実行」モジュールを使用して、実験の準備として計算を実行できます。

EXPERIMENT コマンドは、DOCUMENTATION モジュールで説明されている API を通じて「自動化」を実装します。

GOOGLE コマンドと同様に、DOCUMENTATION コマンドはソースからメイン モジュールに情報を提供します。この場合は、目的の API に関するドキュメントです。

研究者らは、Opentrons Python API と Emerald Cloud Labs (ECL) Symbolic Laboratory Language (SLL) との互換性を実証しました。これらのモジュールを組み合わせることで Coscientist が構成され、ユーザーからの単純なプレーンテキスト入力プロンプト (「複数の Suzuki 応答を実行する」など) を受け入れることができます。上の図は、このアーキテクチャ全体を示しています。

さらに、一部のコマンドはサブ反応を取ることができます。

GOOGLE コマンドはプロンプトを適切な Web 検索クエリに変換し、それらのクエリを Google Search API で実行し、Web を閲覧して、回答をプランナーにフィードバックします。

同様に、DOCUMENTATION コマンドは、プランナーが EXPERIMENT コマンドを呼び出すために必要なドキュメント (ロボット液体ハンドラーやクラウド ラボなど) を取得して集約します。

PYTHON コマンドは、分離された Docker コンテナを使用してコード (言語モデルに依存しない) を実行し、プランナーに必要な予期しない操作からユーザーのマシンを保護します。

重要なのは、プランナーの背後にある言語モデルが、ソフトウェアが間違いを犯したときにコードを修正できることです。同じことが自動化モジュールの EXPERIMENT コマンドにも当てはまり、生成されたコードを対応するハードウェア上で実行したり、手動実験用の合成プログラムを提供したりできます。

AIはすべての人を科学者にする

自然の大きさと複雑さはほぼ無限であり、人類の進歩によって無数の新たな科学的発見が待ち受けています。

エネルギー効率を劇的に向上させる新しい超伝導材料や、不治の病を治し人間の寿命を延ばす化合物を想像してみてください。

しかし、こうした画期的な成果を上げるために必要な教育と訓練を受けるのは長く困難な道のりであり、科学者になるのは非常に困難です。

しかしゴメス氏と彼のチームは、Coscientist のような AI 支援システムが、科学研究の人材ニーズを満たすために世界中に多数の「AI 科学者」を提供できるソリューションになると考えています。

人間の科学者にも休息と睡眠が必要です。人間が誘導する人工知能は、24時間体制で「科学的研究」を実施できる。

「自律型 AI システムは、新しい現象、新しい反応、新しいアイデアを発見できます。」

科学には試行、失敗、学習、改善の繰り返しのプロセスが含まれており、人工知能はこのプロセスを大幅に加速することができます。

「これにより、ほぼあらゆる分野への参入障壁が大幅に下がる可能性がある」とゴメス氏は言う。たとえば、パラジウム触媒カップリング反応の訓練を受けていない生物学者が、新しい方法での反応の利用を検討したい場合、コサイエンティストに実験計画の支援を依頼することができます。