Operare strumenti scientifici avanzati con agenti IA che imparano sul lavoro

Macchine più intelligenti per la scienza di tutti i giorni

Gli strumenti scientifici moderni, dai potenti microscopi a raggi X ai laboratori chimici gestiti da robot, possono raccogliere dati più rapidamente che mai. Ma far funzionare queste macchine richiede ancora attenzione di esperti e configurazioni accurate, il che limita chi le può utilizzare e la velocità con cui si fanno scoperte. Questo articolo esplora come una nuova generazione di "agenti" di intelligenza artificiale possa imparare insieme agli scienziati umani a far funzionare strumenti complessi in modo più sicuro, flessibile ed efficiente.

Dal premere pulsanti a partner che imparano

I laboratori avanzati di oggi automatizzano molti passaggi di routine, ma la vera indipendenza—pianificare esperimenti, interpretare immagini e decidere cosa fare dopo—rimane fuori portata. Gli autori si basano sui modelli linguistici di grandi dimensioni, lo stesso tipo di IA che alimenta i chatbot moderni, e li trasformano in agenti orientati a obiettivi in grado di scrivere codice, chiamare strumenti software e reagire a immagini e video. Invece di sostituire gli scienziati, questi agenti sono progettati per lavorare in modalità “human in the loop”: le persone descrivono ciò che vogliono, forniscono correzioni quando necessario e l’IA memorizza quelle lezioni per usi futuri.

Un copilota digitale per un microscopio a raggi X

Il primo banco di prova è una linea di fascio nanoprobe a raggi X duri, una macchina che usa raggi X focalizzati per mappare la struttura dei materiali alla scala dei miliardesimi di metro. A causa dei rischi dovuti alle radiazioni, nessuno può trovarsi nella stanza mentre è in funzione, e l’intera configurazione è controllata da software e script specializzati. Il team collega diversi agenti IA a questo sistema di controllo. Un agente scrive i comandi necessari per scandire un campione; un altro esamina il codice per la sicurezza e la correttezza; un agente vision osserva le immagini risultanti per suggerire dove ingrandire per un’analisi più approfondita. Gli agenti devono non solo tradurre richieste in linguaggio naturale in comandi di scansione corretti, ma anche leggere piccolissimi punti luminosi in immagini di diffrazione e fluorescenza e trasformare le loro posizioni in coordinate precise per nuove scansioni.

Cosa l’IA ha fatto bene—e dove ha faticato

Confrontando diversi modelli linguistici dotati di capacità visive, i ricercatori trovano chiare differenze di prestazioni. Alcuni modelli sono bravi a seguire istruzioni testuali e a chiamare la funzione giusta, specialmente dopo che vengono mostrati esempi e corretti dagli umani. Altri sono molto più efficaci nel ragionamento visivo, come individuare particelle luminose isolate ed evitare gruppi affollati quando scelgono dove effettuare la scansione successiva. Il modello che si distingue in questo studio combina entrambi i punti di forza e mostra il comportamento più coerente nelle prove ripetute. Tuttavia, gli autori rilevano anche che fornire feedback migliora soprattutto abilità basate sul testo, come la selezione dei parametri; non corregge magicamente una comprensione visiva debole.

Insegnare ai robot a condurre i propri esperimenti

Il secondo banco di prova è una stazione automatizzata per la produzione di film polimerici sottili, impiegati in elettronica e dispositivi energetici. Qui, un braccio robotico dotato di diversi prese muove fiale, substrati, punte di pipetta e uno strumento per la coating a lama tra varie postazioni. I ricercatori eliminano la maggior parte delle routine di alto livello e danno agli agenti solo comandi di basso livello e una mappa di dove si trova ogni cosa. L’IA deve leggere un articolo scientifico per estrarre condizioni di coating appropriate, pianificare una lunga catena di passaggi—come prendere un substrato, posizionarlo nel coater, stappare una fiala, dispensare la soluzione e distribuirla sotto temperatura e velocità controllate—and quindi generare e verificare il codice del robot per eseguirli. I supervisori umani approvano ogni nuova sequenza e le loro correzioni vengono memorizzate in un sistema di memoria così che gli agenti possano riutilizzare schemi di successo in seguito.

Verso laboratori a guida autonoma

Sia nella linea di fascio a raggi X sia nella piattaforma di fabbricazione robotica, lo studio mostra che gli agenti IA possono imparare sul lavoro, trasformando gradualmente la guida esperta in conoscenza riutilizzabile. Con una memoria strutturata e controlli di sicurezza che limitano ciò che l’IA è autorizzata a fare, questi sistemi possono diventare più affidabili nel tempo pur lasciando le decisioni critiche nelle mani degli umani. Gli autori sottolineano che veri laboratori completamente automatici richiederanno ulteriori lavori su calibrazione, gestione della memoria a lungo termine e sul trattamento di compiti che dipendono ancora dalla destrezza e dall’intuizione umana. Anche così, questo lavoro indica un futuro in cui gli scienziati spendono meno tempo a lottare con controlli complessi e più tempo a porre domande ambiziose, mentre i partner IA aiutano a far funzionare gli strumenti che trasformano le idee in scoperte.

Citazione: Vriza, A., Prince, M.H., Zhou, T. et al. Operating advanced scientific instruments with AI agents that learn on the job. npj Comput Mater 12, 160 (2026). https://doi.org/10.1038/s41524-026-02005-0

Parole chiave: agenti IA, laboratori a guida autonoma, strumentazione scientifica, esperimenti robotici, modelli linguistici multimodali di grandi dimensioni