İnqrid Fadelli , Phys.org tərəfindən

Sadie Harley tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Agent süni intellekt rentgen aliminin ümumi iş axını. Süni intellekt strukturlaşdırılmış proqram təminatı alətləri vasitəsilə detektor görüntülərini, eksperimental qeydləri və skan nəticələrini müşahidə edir, mövcud eksperimental vəziyyətlə bağlı səbəbləri müəyyən edir və nümunə uyğunlaşdırmasını tamamlamaq üçün cihaz-idarəetmə əmrləri yaradır. Mənbə: Chen və digərləri, Nature Machine Intelligence (2026).

Süni intellekt (Sİ) modelləri hazırda dünyada bir çox insan tərəfindən həm peşəkar, həm də şəxsi məqsədlər üçün gündəlik istifadə olunur. Son onilliklərdə müxtəlif sahələrdə ixtisaslaşmış alimlər də bu modellərdən tədqiqat aparmaq və ya təcrübi təcrübələrini sadələşdirmək üçün istifadə etməyə başlayıblar.

Stanford Universiteti və SLAC Milli Sürətləndirici Laboratoriyasının tədqiqatçıları bu yaxınlarda sinxrotron əsaslı rentgen təcrübəsi hazırlamaq üçün süni intellektlə işləyən agentdən istifadə imkanlarını araşdırdılar. Sinxrotronlar, elektronların çox parlaq rentgen şüaları yaratmaq üçün sürətləndirildiyi və daha sonra materialların, molekulların və bioloji nümunələrin atom quruluşunu öyrənmək üçün istifadə edilə biləcəyi böyük tədqiqat müəssisələridir.

Nature Machine Intelligence jurnalında dərc olunmuş bir məqalədə Stanford və SLAC komandası əsl sinxrotron rentgen təcrübəsi hazırlamaq üçün süni intellekt əsaslı agentdən istifadə etməyi təklif etdi. Onlar göstərdilər ki, bu agent müstəqil şəkildə hərəkətlər planlaşdıra, müşahidələri şərh edə və nümunə uyğunlaşdırmasını tamamlamaq üçün alət idarəetmə əmrləri yarada bilər.

“İşimiz sinxrotron rentgen şüa xətlərində tək kristal nümunələrini avtonom şəkildə uyğunlaşdıra bilən agent süni intellekt rentgen alimini nümayiş etdirir”, – məqalənin ilk müəllifi və hazırda Ostindəki Texas Universitetinin dosenti, SLAC Milli Sürətləndirici Laboratoriyasında və Stanford Universitetində işləyərkən bu işə rəhbərlik etmiş Zhantao Chen Phys.org-a bildirib.

“Bu agent eksperimental statusu soruşa, nə baş verdiyini və nə edilməli olduğunu düşünə və sonra nümunənin uğurlu uyğunlaşdırılması üçün təcrübəni həyata keçirə bilər. İlkin ilham nümunənin uyğunlaşdırılmasının demək olar ki, hər bir tək kristal sinxrotron rentgen təcrübəsində vacib ilk addım olmasından irəli gəlir, lakin bu, yorucu ola bilər.”Mis tutucuya quraşdırılmış Co₃Sn₂S₂ tək kristal nümunəsi. (Sağda) Stanford Sinxrotron Radiasiya İşıq Mənbəyinin (SSRL) BL17-2 şüa xəttindəki altı dairəvi difraktometr, burada süni intellekt rentgen aliminin real təcrübədə nümayiş etdirildiyi. Müəllif: Chen və digərləri, Nature Machine Intelligence (2026).

Rentgen nümunələrinin uyğunlaşdırılmasını avtomatlaşdırmaq üçün axtarış

Çen və həmkarları əvvəlcə sinxrotron təcrübələri aparan alimlərin tez-tez yorucu hesab etdiyi spesifik bir prosesi avtomatlaşdırmağa başladılar. Bu, keyfiyyətli rentgen məlumatlarının toplanmasına imkan yaratmaq üçün kristal nümunəsinin uyğunlaşdırılmasıdır.

Çen izah etdi: “Əvvəlcə bu prosesi avtomatlaşdırmaq üçün süni intellekt inkişaf etdirmək istədik. Lakin layihə inkişaf etdikcə daha geniş bir sualla maraqlandıq: Süni intellekt real dünya sinxrotron şüa xəttində bir insan alimi kimi təcrübi tapşırıqları yerinə yetirə və düşünə bilərmi? Bu iki motivasiya – avtomatlaşdırmaya praktik ehtiyac və daha iddialı elmi sual – birlikdə bu işə ilham verdi.”

Bu son tədqiqat əsasən nümunələrin avtonom uyğunlaşdırılmasına yönəlsə də, tədqiqatçılar bu xüsusi tapşırığı süni intellekt agentlərinin, xüsusən də böyük dil modellərinin (LLM) eksperimental şəraitdə nələrə nail ola biləcəyinə dair bir nümunə kimi istifadə etmək istədilər. Onların nümayişi göstərir ki, bu agentlər gözlənilməz və ya dəyişən şərtlərə uyğunlaşaraq eksperimental tapşırıqları avtonom şəkildə yerinə yetirə bilirlər.

“Sadə dillə desək, süni intellekt agentinin istifadə edə biləcəyi bir sıra eksperimental alətlər mövcuddur, o cümlədən eksperimental qeydləri oxumaq, detektor şəkillərini çəkmək və motor skanları aparmaq kimi eksperimenti aparmaq üçün lazım olanlar da daxil olmaqla”, – Çen bildirib.

“Süni intellekt alətlərdən istifadə edərək nələrin baş verdiyini və son məqsədə doğru bundan sonra nələrin edilməsi lazım olduğunu anlaya bilər. Bunu belə düşünün: Əgər bir süni intellekt agentinin vintini sıxmasını istəyiriksə, ona həm tornavida, həm də ondan necə istifadə edəcəyimiz barədə təlimat verməliyik. Alətlər süni intellektə real dünya ilə qarşılıqlı əlaqədə olmağa imkan verir ki, bu da bizim təcrübəmizdir, tapşırıq isə ona bu alətlərdən necə effektiv istifadə etməyi öyrədir.”

Çen və həmkarları öz məqalələrində bu uyğunlaşmanın LLM əsaslı süni intellekt agentlərinin əsas üstünlüyü ola biləcəyini irəli sürürlər. Dəyişən şəraitdə və ya onlara yeni məlumatlar verildikdə, bu modellər bu əlavə məlumatı nəzərə almaq üçün cavablarını tez bir zamanda tənzimləyə bilərlər.

Çen bildirib ki, “Bu uyğunlaşma, gözlənilməz vəziyyətlərin tez-tez baş verdiyi real təcrübələrdə xüsusilə vacibdir. Bu olmadan, ənənəvi avtomatlaşdırma müxtəlif ssenariləri əhatə etmək üçün çox vaxt əl ilə yazılmış saysız-hesabsız if-else qaydaları tələb edir.”

Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və gündəlik və ya həftəlik olaraq vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında yeniliklər əldə edin .

Süni intellektlə inkişaf etmiş elmi müəssisələrə aparan yol

Çen və həmkarlarının son işi, genişmiqyaslı elmi təcrübələrin planlaşdırılması və hazırlanması üçün LLM əsaslı agentlərin potensialını vurğulayır. Əsas yeniliklərdən biri süni intellekt agentinin komanda tərəfindən hazırlanmış virtual şüa xətti ilə inteqrasiyası idi ki, bu da tədqiqatçılara süni intellekt rentgen alimini real sinxrotron şüa xəttinə yerləşdirməzdən əvvəl simulyasiyada inkişaf etdirməyə və təkmilləşdirməyə imkan verdi.

“Oxucular bilə bilərlər ki, genişmiqyaslı elmi müəssisələrə çox vaxt həddindən artıq çox tələbat olur, yəni alətlər həmişə çox işlək olduğundan, sıfırdan real alətlərdən istifadə edərək belə bir agent süni intellekt iş axınının inkişaf etdirilməsi praktik olmazdı”, – Çen dedi.

“Biz virtual şüa xətti (eksperimental mühitin simulyatoru) hazırladıq və sonra bütün agent süni intellekt iş axınımızı orada inkişaf etdirdik. Bu, orada istifadə olunan giriş/çıxış formatına uyğunlaşmaq üçün yalnız minimal dəyişikliklərlə real dünya şüa xəttində işləməyə başladı. Bu, bir çox imkanlar açır – görüntüləmə laboratoriyası tərtibatçıları laboratoriya alətləri üçün rəqəmsal əkizlər hazırlaya bilər, sonra süni intellekt real alətlərdə tətbiq olunmazdan əvvəl simulyasiyada eksperimental iş axınlarını və bacarıqlarını geniş şəkildə tətbiq edə və nəticədə gündəlik eksperimental işlərə töhfə verə bilər.”

Gələcəkdə bu məqalə böyük tədqiqat müəssisələrində həyata keçirilən gündəlik təcrübələrin və ya proseslərin avtomatlaşdırılmasını təmin etmək üçün yeni süni intellekt əsaslı platformaların və alətlərin hazırlanmasına ilham verə bilər. Nəticədə, komandanın təklif etdiyi süni intellekt agenti yeni növ sinxrotron təcrübələrini avtonom şəkildə həyata keçirmək üçün istifadə edilə bilər.

Çen əlavə etdi: “Biz inanırıq ki, nümayiş etdirdiyimiz iş axını bir çox digər təcrübi tapşırıqlara da şamil edilə bilər və bu da süni intellektlə dəstəklənən və ya hətta süni intellektlə idarə olunan elmi təcrübələrə yol aça bilər”.

“İndi bu işin həm dərinliyini, həm də genişliyini artırmağa davam etməyi planlaşdırırıq. Bir tərəfdən, alimlərə yeni kəşflər etməyə kömək edə biləcək daha bacarıqlı süni intellekt rentgen alimləri yetişdirmək istəyirik. Digər tərəfdən, rentgen şüa xətlərindən kənarda materialşünaslıq və fizika laboratoriyalarına daha geniş şəkildə tətbiq oluna bilən daha ümumi agent süni intellekt çərçivələrini fəal şəkildə inkişaf etdiririk.”

Müəllifimiz İnqrid Fadelli tərəfindən sizin üçün yazılmış, Sadie Harley tərəfindən redaktə edilmiş və Robert Egan tərəfindən faktlar yoxlanılmış və nəzərdən keçirilmişdir — bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu reportaj sizin üçün vacibdirsə, xahiş edirik ianə etməyi düşünün (xüsusilə aylıq). Təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .

Nəşr detalları

Zhantao Chen və digərləri, Agent süni intellektli rentgen alimi, Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01261-5 .

Jurnal məlumatı: Təbiət Maşın Zəkası 

Əsas anlayışlar

Sürətləndiricilər və saxlama halqalarıSüni intellektRentgen üsulları