في عالم البحث العلمي، يعتمد الاكتشاف على عملية مغلقة تتضمن توليد الفرضيات واكتساب البيانات، حيث يساهم ذلك في تحديد مدى صحة الأفكار المطروحة. ومع ذلك، تواجه معظم المناهج التقليدية صعوبة في تجاوز محدودية البيانات، مما قد يؤدي إلى نتائج مُضللة. هنا يأتي دور LLM-AutoSciLab، الإطار المبتكر الذي يجمع بين توليد الفرضيات واختيار التجارب وفقًا للبيانات المتاحة.

بدلاً من الاعتماد على جمع البيانات الثابتة، يعمل LLM-AutoSciLab على اقتراح فرضيات قابلة للتطبيق بشكل دوري، واختيار تجارب تُعتبر ذات قيمة لتحديد أو تحسين هذه الفرضيات. يُشكل هذا التحول من الأساليب السلبية في جمع البيانات إلى استراتيجيات أكثر ديناميكية تقدم جديدًا فعّالاً في ميدان البحث العلمي.

لتحقيق ذلك، تم تقديم ActiveSciBench، وهي مجموعة بيانات تتضمن مهمات متعددة مثل وظيفتي إنزيم الحركية وشبكة تنظيم الجينات، تهدف إلى simulating عملية الاكتشاف القائم على ميزانية محدودة وتطلب تصميم تجارب مرن واستعادة الآليات الحقيقة.

أثبت LLM-AutoSciLab فعاليته في تحقيق دقة رمزية تصل إلى 67.6% في NewtonBench و35.1% في ActiveSciBench-Chem، و31.1% في استعادة الرسوم البيانية في ActiveSciBench-GRN. بالإضافة لذلك، أظهرت التجارب الموجهة بالفرضيات كفاءة من 2 إلى 5 مرات أكثر من في الأساليب المنافسة الأقوى.

يمكنك الاطلاع على الشيفرة المصدرية والبيانات المتعلقة بهذا البحث عبر: https://github.com/scientific-discovery/LLM-AutoSciLab. ماذا تعتقد عن مستقبل الاكتشافات العلمية باستخدام الذكاء الاصطناعي؟ شاركونا بآراءكم في التعليقات.