İş başında öğrenen Yapay Zeka ajanları ile gelişmiş bilimsel cihazların işletilmesi

Günlük Bilim İçin Daha Akıllı Makineler

Güçlü X-ışını mikroskoplarından robot kontrollü kimya laboratuvarlarına kadar modern bilimsel araçlar, verileri her zamankinden daha hızlı toplayabiliyor. Ancak bu makineleri çalıştırmak hâlâ uzman gözetimi ve dikkatli kurulum gerektiriyor; bu da kullanımını ve keşiflerin hızını sınırlıyor. Bu makale, yeni nesil yapay zeka "ajanlarının" karmaşık cihazları daha güvenli, esnek ve verimli bir şekilde işletmeyi öğrenmek için insan bilim insanlarıyla birlikte nasıl çalışabileceğini araştırıyor.

Düğmeye Basmaktan Öğrenen Ortaklara

Günümüzün gelişmiş laboratuvarları birçok rutin adımı otomatikleştiriyor, ancak gerçek bağımsızlık—deney planlamak, görüntüleri yorumlamak ve sonraki adımı kararlaştırmak—hala uzak bir hedef. Yazarlar, modern sohbet botlarını güçlendirenle aynı tür büyük dil modelleri üzerine inşa ederek bunları hedef odaklı ajanlara dönüştürüyor; bu ajanlar kod yazabiliyor, yazılım araçlarını çağırabiliyor ve görüntü ve videolara tepki verebiliyor. Bilim insanlarını değiştirmek yerine, bu ajanlar "insanın döngüde olduğu" bir şekilde çalışacak şekilde tasarlanıyor: insanlar ne istediklerini tarif ediyor, gerektiğinde düzeltmeler sağlıyor ve yapay zeka bu dersleri gelecekte kullanmak üzere hatırlıyor.

Bir X-Işını Mikroskopu İçin Dijital Eş Pilot

İlk test düzeneği, odaklanmış X-ışınlarıyla malzemelerin yapısını milyarda bir metre ölçeğinde haritalayan sert X-ışını nanoprobe ışın hattı. Radyasyon tehlikeleri nedeniyle makine çalışırken hiç kimse odada bulunamıyor ve tüm düzen özel yazılım ve betikler tarafından kontrol ediliyor. Ekip, bu kontrol sistemine birkaç yapay zeka ajanı bağlıyor. Bir ajan örneği taramak için gereken komutları yazıyor; diğeri kodu güvenlik ve doğruluk açısından gözden geçiriyor; bir görsel ajan, ortaya çıkan görüntülere bakarak daha yakından incelemek için nerede yakınlaştırma yapılmasını önersiyor. Ajanlar yalnızca düz dildeki istekleri doğru tarama komutlarına çevirmekle kalmıyor, aynı zamanda kırınım ve floresan görüntülerindeki küçük parlak noktaları okuyup bunların konumlarını yeni taramalar için hassas koordinatlara dönüştürmek zorunda.

Yapay Zekanın Doğru Yaptıkları — ve Zorlandıkları Noktalar

Birkaç önde gelen görsel yetenekli dil modelini karşılaştıran araştırmacılar, performansta açık farklılıklar buluyor. Bazı modeller, özellikle örnekler gösterilip insanlar tarafından düzeltildikten sonra, metin talimatlarını izleme ve doğru fonksiyonu çağırma konusunda iyi. Diğerleri ise görsel akıl yürütme konusunda çok daha başarılı; örneğin izole parlak parçacıkları tespit etmek ve bir sonraki tarama için seçim yaparken kalabalık kümelerden kaçınmak gibi. Bu çalışmadaki öne çıkan model, her iki güçlü yönü de birleştiriyor ve tekrarlanan denemeler boyunca en tutarlı davranışı gösteriyor. Bununla birlikte yazarlar, geri bildirimin ağırlıklı olarak parametre seçimi gibi metin tabanlı becerileri geliştirdiğini; zayıf görsel anlama sorununu sihirli biçimde düzeltmediğini de belirtiyor.

Robotlara Kendi Deneylerini Yaptırmayı Öğretmek

İkinci test düzeneği, elektronik ve enerji cihazlarında kullanılan ince polimer filmler yapmaya yönelik otomatik bir istasyon. Burada farklı tutucularla donatılmış bir robot kol, vialleri, substratları, pipet uçlarını ve bıçakla kaplama aracını çeşitli istasyonlar arasında taşıyor. Araştırmacılar çoğu yüksek seviyeli rutini kaldırıyor ve ajanlara yalnızca düşük seviyeli komutlar ve her şeyin nerede olduğuna dair bir harita veriyor. Yapay zeka, uygun kaplama koşullarını çıkarmak için bir bilimsel makaleyi okumalı, bir dizi uzun adımı planlamalı—örneğin bir substratı almak, kaplamaya yerleştirmek, bir vialin kapağını açmak, çözeltiyi dağıtmak ve kontrollü sıcaklık ve hız altında yaymak—ve sonra bunu gerçekleştirmek üzere robot kodunu üretip doğrulamalı. İnsan denetçiler her yeni diziyi onaylıyor ve düzeltmeleri bir bellek sisteminde saklanıyor, böylece ajanlar başarılı kalıpları daha sonra yeniden kullanabiliyor.

Kendi Kendine Giden Laboratuvarlara Doğru İnşa Etmek

X-ışını ışın hattı ve robotik üretim platformu genelinde çalışma, yapay zeka ajanlarının iş başında öğrenebileceğini ve zamanla uzman rehberliğini yeniden kullanılabilir bilgiye dönüştürebileceğini gösteriyor. Yapılandırılmış bir bellek ve yapay zekanın yapabileceklerini sınırlandıran güvenlik kontrolleri ile bu sistemler, kritik kararları insanlara bırakarak zaman içinde daha güvenilir hale gelebilir. Yazarlar, tam otomatik laboratuvarlar için kalibrasyon, uzun vadeli bellek yönetimi ve hâlâ insan çevikliğine ve sezgisine bağlı görevlerin ele alınması üzerine daha fazla çalışma gerektiğini vurguluyor. Yine de bu çalışma, bilim insanlarının karmaşık kontrollerle uğraşmaya daha az; iddialı sorular sormaya ve fikirleri keşiflere dönüştürecek cihazları işletmede AI ortaklarının yardımını almaya daha fazla zaman ayıracağı bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: Yapay Zeka ajanları, kendi kendine giden laboratuvarlar, bilimsel enstrümantasyon, robotik deneyler, çok modlu büyük dil modelleri