Dix équipes de Washington mettent AutoDiscovery à l’épreuve

Un défi universitaire À l’Université de Washington, Luna Yue Huang a organisé au printemps le GenAI for Science: Ai2-UW Materials Challenge. Vingt-cinq équipes ont proposé un jeu de données et une question de recherche. Dix équipes ont été retenues pour travailler plusieurs semaines avec AutoDiscovery, l’agent de recherche scientifique d’Ai2. Le système analyse des données, propose des hypothèses, conduit des expériences et classe les résultats selon la surprise bayésienne. Cet indicateur mesure l’écart entre la prédiction du modèle et l’observation des données. Les étudiants ont ensuite examiné les preuves, comparé les résultats aux publications et distingué découverte possible, coïncidence ou problème de données. Lire le récit d’Ai2.

Des pistes à vérifier L’équipe pédagogique d’Huang et les chercheurs d’Ai2 ont sélectionné les projets selon la richesse et la singularité scientifique des données. Ils ont aussi évalué le potentiel de résultats significatifs et la diversité des sujets. Certains jeux de données ont été réduits pour correspondre à une question plus précise. Les étudiants ont testé les hypothèses d’AutoDiscovery contre les résultats obtenus. Ils ont repéré des failles dans son raisonnement et mesuré la réduction éventuelle du travail manuel. Les performances ont fortement varié. Dans certains projets, l’outil a proposé des pistes que les étudiants n’auraient peut-être pas explorées seuls.

AutoDiscovery révèle des pistes scientifiques

Batteries et polymères Une équipe a étudié le vieillissement des batteries lithium-ion. AutoDiscovery a suggéré que les tests diagnostiques périodiques pourraient eux-mêmes accélérer la dégradation des cellules. Les données montraient une corrélation, mais pas une relation causale. Les étudiants ont donc identifié une expérience contrôlée comme prochaine étape logique. Une autre équipe a analysé six millions de simulations de polymères. Elle a observé une exception apparente à une règle vieille de plusieurs décennies sur l’estimation de la charge atomique. Les deux méthodes divergeaient davantage pour l’oxygène et l’azote. Les étudiants ont retrouvé l’article original et constaté que cette divergence restait sans explication publiée.

Protéines et réacteurs Une troisième équipe a conçu des protéines activées par la lumière. Elle a utilisé AutoDiscovery pour comparer les insertions fonctionnelles et celles qui échouaient. L’outil a identifié quelques points d’ancrage forts pour le segment photosensible, plutôt que plusieurs points faibles. Ce motif apparaissait dans chaque conception testée en laboratoire et correspondait à un principe établi de liaison protéique. Les résultats ont donc été confrontés aux expériences du groupe. Dans un autre projet, 24 000 configurations simulées de réacteurs nucléaires ont produit environ la moitié d’hypothèses illogiques. Sur des mesures réelles de physique des réacteurs, l’outil a toutefois généré environ 15 pistes potentiellement exploitables.

Les étudiants gardent le contrôle

Le jugement reste humain Les projets ont conduit les étudiants à une conclusion commune. AutoDiscovery servait surtout à faire émerger des idées qu’ils n’auraient peut-être pas testées. L’outil ne supprimait pas le rôle du chercheur. Les étudiants devaient lire les preuves, comprendre le cheminement du système et évaluer la plausibilité physique des résultats. Ils vérifiaient également les pistes les plus solides dans la littérature. Huang a déclaré que l’exercice enseignait une autre manière de travailler avec l’IA. Le système génère des hypothèses, tandis que les étudiants questionnent les résultats inattendus et choisissent les idées méritant une investigation complémentaire. Essayer AutoDiscovery.

Dix jours de travail Selon Huang, les étudiants ont transformé des données brutes en hypothèses étudiées en seulement dix jours. Leurs travaux comprenaient des revues de littérature, des analyses quantitatives, des plans de validation expérimentale et des rapports argumentés. Elle attribue l’accélération de certaines étapes à l’IA, mais relie la qualité finale à la curiosité, à la persévérance et au jugement scientifique des étudiants. L’expérience a aussi renforcé l’importance de la formation scientifique, des connaissances fondamentales et de l’expertise de domaine. Ai2 indique que ces évaluations doivent contribuer à améliorer AutoDiscovery et à documenter une construction responsable de ses outils de recherche.