Geavanceerde wetenschappelijke instrumenten bedienen met AI-agenten die on the job leren

Slimmere machines voor alledaagse wetenschap

Moderne wetenschappelijke hulpmiddelen, van krachtige röntgenmicroscopen tot door robots bediende scheikundelabs, kunnen gegevens sneller verzamelen dan ooit. Het bedienen van deze apparaten vraagt echter nog steeds om deskundige aandacht en zorgvuldige voorbereiding, wat bepaalt wie ze kan gebruiken en hoe snel ontdekkingen plaatsvinden. Dit artikel onderzoekt hoe een nieuwe generatie kunstmatige intelligentie‑"agenten" samen met menselijke wetenschappers kan leren om complexe instrumenten veiliger, flexibeler en efficiënter te bedienen.

Van knopjes indrukken naar leerpartners

De huidige geavanceerde labs automatiseren veel routine­stappen, maar echte zelfstandigheid — experimenten plannen, beelden interpreteren en beslissen wat vervolgens te doen — blijft onbereikbaar. De auteurs bouwen voort op grote taalmodellen, hetzelfde soort AI dat moderne chatbots aandrijft, en zetten die om in doelgestuurde agenten die code kunnen schrijven, softwaresystemen aanroepen en reageren op beelden en video. In plaats van wetenschappers te vervangen, zijn deze agenten ontworpen om in een "mens in de lus" modus te werken: mensen beschrijven wat ze willen, geven waar nodig correcties, en de AI onthoudt die lessen voor toekomstig gebruik.

Een digitale co-piloot voor een röntgenmicroscoop

De eerste testomgeving is een hard-röntgen nanoproben‑beamline, een machine die gefocusseerde röntgenstralen gebruikt om de structuur van materialen te kaartleggen op de schaal van miljardsten van een meter. Vanwege stralingsgevaar mag niemand in de kamer zijn tijdens bedrijf, en de volledige opstelling wordt gestuurd door gespecialiseerde software en scripts. Het team koppelt meerdere AI-agenten aan dit besturingssysteem. Eén agent schrijft de commando’s die nodig zijn om een monster te scannen; een andere beoordeelt de code op veiligheid en correctheid; een visie‑agent bekijkt de resulterende beelden om voor te stellen waar ingezoomd moet worden voor nader onderzoek. De agenten moeten niet alleen verzoeken in gewone taal vertalen naar correcte scancommando’s, maar ook piepkleine felle stippen in diffractie‑ en fluorescentiebeelden lezen en hun locaties omzetten in precieze coördinaten voor nieuwe scans.

Wat de AI goed deed — en waar het worstelde

Door verschillende toonaangevende visueel‑capabele taalmodellen te vergelijken, vinden de onderzoekers duidelijke verschillen in prestaties. Sommige modellen zijn goed in het volgen van tekstinstructies en het aanroepen van de juiste functie, vooral nadat ze voorbeelden hebben gekregen en door mensen zijn gecorrigeerd. Andere zijn veel beter in visueel redeneren, zoals het nauwkeurig aanwijzen van geïsoleerde felle deeltjes en het vermijden van drukke clusters bij het kiezen waar als volgende te scannen. Het opvallende model in deze studie combineert beide sterktes en vertoont het meest consistente gedrag over herhaalde proeven. De auteurs merken echter ook op dat feedback vooral tekstgebaseerde vaardigheden verbetert, zoals het kiezen van parameters; het lost zwak visueel begrip niet als bij toverslag op.

Robots leren hun eigen experimenten uit te voeren

De tweede testomgeving is een geautomatiseerd station voor het maken van dunne polymeerfilms, gebruikt in elektronica en energie­toepassingen. Hier verplaatst een robotarm, uitgerust met verschillende grijpers, buisjes, substraatdragers, pipetpunten en een blade‑coating gereedschap tussen diverse stations. De onderzoekers halen de meeste hoog­niveau­routines weg en geven de agenten alleen laag­niveau‑commando’s en een kaart waar alles zich bevindt. De AI moet een wetenschappelijk artikel lezen om geschikte coatingcondities te extraheren, een lange keten van stappen plannen — zoals het oppakken van een substraat, het plaatsen in de coater, het openen van een vial, het doseren van oplossing en het verspreiden onder gecontroleerde temperatuur en snelheid — en vervolgens de robotcode genereren en verifiëren om dit uit te voeren. Menselijke toezichthouders keuren elke nieuwe sequentie goed, en hun correcties worden opgeslagen in een geheugen­systeem zodat de agenten succesvolle patronen later kunnen hergebruiken.

Bouwen aan zelfrijdende laboratoria

Over zowel de röntgen‑beamline als het robotische fabricageplatform laat de studie zien dat AI‑agenten on the job kunnen leren en geleidelijk deskundige begeleiding omzetten in herbruikbare kennis. Met een gestructureerd geheugen en veiligheidscontroles die beperken wat de AI mag doen, kunnen deze systemen in de loop van de tijd betrouwbaarder worden terwijl kritieke beslissingen in menselijke handen blijven. De auteurs benadrukken dat echt volledig automatische labs meer werk vereisen op het gebied van kalibratie, beheer van langetermijngeheugen en het omgaan met taken die nog steeds afhankelijk zijn van menselijke behendigheid en intuïtie. Toch wijst dit werk op een toekomst waarin wetenschappers minder tijd kwijt zijn aan worstelen met complexe bedieningen en meer tijd kunnen besteden aan ambitieuze vragen, terwijl AI‑partners helpen de instrumenten te bedienen die ideeën in ontdekkingen omzetten.

Bronvermelding: 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

Trefwoorden: AI-agenten, zelfrijdende laboratoria, wetenschappelijke instrumentatie, robotische experimenten, multimodale grote taalmodellen