Команда Корейского научно-исследовательского института химических технологий разработала HILO, систему, которая помогает ИИ планировать химические эксперименты и учитывать советы учёных. В виртуальных лабораториях, смоделированных на основе реальных данных, HILO находила подходящие условия реакции за меньшее число поисков. О результатах 21 октября 2026 года сообщил Национальный совет по науке и технологиям Южной Кореи. Исследование опубликовано в журнале Journal of Chemical Information and Modeling.

Как система сверяет советы с данными

HILO соединяет языковую модель с байесовской оптимизацией. Модель переводит совет химика, сформулированный обычными словами, в исходные сведения и ограничения для поиска. Затем алгоритм выбирает следующий опыт и использует его результат, чтобы решить, что проверять дальше. Исследователь может менять указания по ходу работы.

Надёжность советов проверяет механизм адаптивной оценки. Он сопоставляет подсказки с результатами опытов и при достаточных противоречиях отключает указание, которому данные не подтверждают. Представим, что химик просит не проверять определённый диапазон температур, но результаты показывают, что именно там реакция проходит хорошо. HILO может заметить это расхождение и больше не исключать этот диапазон из поиска. Это условный пример работы механизма, а не отдельный эксперимент.

В виртуальной проверке реакции Уги число поисков до достижения заданного результата уменьшилось примерно с 30 до менее чем 10. Для композитов P3HT-CNT оно сократилось примерно с 20 до 3–5. В некоторых тестах исследователи специально давали системе неверные советы. HILO распознавала вводящие в заблуждение подсказки и возвращала оптимизации прежнюю эффективность.

Пока HILO проверяли только в виртуальных экспериментальных средах, а не на лабораторном оборудовании. Исследователи планируют провести испытания в автономной лаборатории, но не объясняют, почему их ещё не провели. Поэтому сокращение числа поисков пока не подтверждено физическими экспериментами.

Материал исследования доступен в разделе о подготовке научных статей.

Схема показывает, как HILO превращает совет исследователя в исходные данные для байесовской оптимизации, а затем сверяет его с результатами опытов и при достаточном противоречии отключает.

Фото: Artem Podrez / Pexels