Modele AI piszą własne narzędzia do chemii kwantowej, aby ominąć koszty obliczeniowe

Jeśli dzisiaj chcesz, aby model językowy przeprowadził nowatorską symulację dynamiki kwantowej, zazwyczaj musisz czekać, aż człowiek napisze odpowiednie oprogramowanie. Biblioteki fizyczne, takie jak OpenFermion czy PennyLane, mają ogromne możliwości, ale są „zamrożone” w czasie. Gdy sztuczna inteligencja napotyka strukturę molekularną wymagającą funkcji matematycznej wykraczającej poza jej zaprogramowane środowisko, po prostu się zawiesza.

Zespół, w skład którego wchodzą naukowcy Zijian Zhang, Ignacio Gustin oraz Alán Aspuru-Guzik, opracował obejście tego problemu. Ich framework, nazwany El Agente Forjador (Agent Kowal), zmusza sztuczną inteligencję do pisania, wykonywania i debugowania własnych narzędzi w języku Python od podstaw. To zmiana podejścia z traktowania kodu jako statycznej zależności na dynamicznie generowany łańcuch dostaw.

Pętla zwrotna Pythona

Tradycyjne workflowy agentowe traktują istniejące oprogramowanie jako nieprzekraczalną barierę. El Agente Forjador traktuje je jak szkic. System działa w oparciu o czterostopniową pętlę: analizę, generowanie, wykonywanie i ewaluację.

W obliczu problemu naukowego agent analizuje wymagania matematyczne i pisze niestandardowy skrypt w Pythonie, aby go rozwiązać. Następnie uruchamia kod. Jeśli wynik nie spełnia parametrów symulacji, agent odczytuje błąd, debuguje własny skrypt i iteruje, aż założenia fizyczne zostaną spełnione.

Naukowcy przetestowali ten autonomiczny cykl w 24 różnych zadaniach z zakresu chemii kwantowej i dynamiki molekularnej. Modele wykorzystujące pętlę samodoskonalenia konsekwentnie przewyższały systemy bazowe, które były zmuszone do rozwiązywania złożonych problemów chemicznych bez możliwości tworzenia własnych zestawów narzędzi.

Podwykonawstwo podatku obliczeniowego

Najbardziej intrygującym szczegółem tych badań nie jest sama automatyzacja, lecz ekonomia obliczeń. Uruchamianie modeli klasy frontier, takich jak GPT-4o, dla każdego iteracyjnego zapytania naukowego jest rujnująco drogie. To znana wada strukturalna europejskich instytutów badawczych, próbujących efektywnie zarządzać funduszami programu Horyzont w starciu z cennikami amerykańskich dostawców chmury (hyperscalerów).

El Agente Forjador wprowadza formę cyfrowego transferu wiedzy, która częściowo podważa ten model cenowy. Gdy zaawansowany model AI pomyślnie stworzy narzędzie — na przykład skrypt do obliczania energii stanu podstawowego złożonej cząsteczki — zapisuje ten kod w trwałej bibliotece. W efekcie system samodzielnie tworzy własny program nauczania.

Kolejne, słabsze modele językowe mogą następnie pobrać to zweryfikowane narzędzie, aby rozwiązywać problemy na poziomie eksperckim. Mniejszy i tańszy model o otwartych wagach nie musi już posiadać zdolności rozumowania pozwalających na pisanie złożonych algorytmów kwantowych. Musi jedynie wiedzieć, które „wykute” narzędzie pobrać z półki.

Drogi model płaci wysoki podatek obliczeniowy za wynalezienie narzędzia, a tańszy model korzysta z niego za grosze. Dolina Krzemowa może być właścicielem modeli klasy frontier, ale chemia obliczeniowa właśnie odkryła, jak kupować ich wyniki w cenach hurtowych.

Źródła

• Zijian Zhang, Ignacio Gustin, Alán Aspuru-Guzik — Framework El Agente Forjador