રસાયણશાસ્ત્રમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, માન્યતા અને નીતિશાસ્ત્ર

નફો:

• કૃત્રિમ બુદ્ધિમત્તા રસાયણશાસ્ત્રના કાર્યપ્રવાહ (વિચાર, ડિઝાઇન, વિશ્લેષણ, રિપોર્ટિંગ)માં ક્યાં સમય બચાવે છે અને જ્યાં જોખમના સ્તરના આધારે માળખું, સંખ્યા, સંસાધન અને સલામતીના નિર્ણયો મનુષ્યો પર છોડી દેવામાં આવે છે તે પારખવામાં સક્ષમ હોવું.
• એક શિસ્ત લાગુ કરવાની ક્ષમતા જે દરેક આઉટપુટને સ્ટ્રક્ચર-નંબર-સંસાધન-સુરક્ષાના ચાર પગલાં સાથે સ્વતંત્ર રીતે તપાસે છે
• સમજો કે શા માટે બનાવેલા સંયોજનો અને સંખ્યાઓ, ખોટા સંદર્ભો અને સુરક્ષા ગેરસમજો આ વ્યવસાય માટે જોખમો છે જેને શરૂઆતથી જ ધ્યાનમાં લેવું આવશ્યક છે.

રસાયણશાસ્ત્ર એ પ્રાયોગિક વિજ્ઞાન છે જે પદાર્થની રચના, પરિવર્તન અને ગુણધર્મોનો અભ્યાસ કરે છે. રસાયણશાસ્ત્રી પ્રયોગશાળામાં વજન કરે છે, ઓગળે છે, ગરમ કરે છે અને માપે છે; તેમના ડેસ્ક પર, તે પરમાણુઓ દોરે છે, પ્રતિક્રિયાઓની યોજના બનાવે છે, સ્પેક્ટ્રાનું અર્થઘટન કરે છે, સાહિત્યને સ્કેન કરે છે અને અહેવાલો લખે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI, અહીં ખાસ કરીને સૉફ્ટવેર કે જે મોટા ભાષાના મૉડલ પર પ્રશિક્ષિત "આગામી સંભવિત શબ્દ" ની આગાહી કરીને ટેક્સ્ટ જનરેટ કરે છે, એટલે કે વિશાળ ટેક્સ્ટ ડેટા) આમાંની ઘણી ડેસ્ક જોબ્સને નાટ્યાત્મક રીતે ઝડપી કરી શકે છે. પરંતુ તે પોતે લેબનું નિર્માણ કરતું નથી, તે ભીંગડા વાંચતું નથી, અને સૌથી અગત્યનું: તે તમારા વતી બનાવેલ કોઈપણ સંખ્યાઓ, સૂત્રો અથવા અવતરણોને ચકાસતું નથી. આ મોડ્યુલ શીખવે છે કે કેવી રીતે રસાયણશાસ્ત્રમાં AI નો ઉપયોગ એન્ડ-ટુ-એન્ડ પરંતુ જવાબદારીપૂર્વક કરવો.

આ પ્રથમ એકમમાં, હું તમારા મનમાં એક વિચાર રોપવા માંગુ છું: AI એ રસાયણશાસ્ત્રમાં સહાયક છે, રસાયણશાસ્ત્રી નથી. કોડ લખે છે, રૂપરેખા બનાવે છે, રેટ્રોસિન્થેસિસ ફ્રેમવર્ક બનાવે છે, સ્પેક્ટ્રમ શિખરોનું અર્થઘટન કરવામાં મદદ કરે છે, સાહિત્યનો સારાંશ આપે છે. જો કે, તે સક્ષમ રસાયણશાસ્ત્રી છે જે નક્કી કરે છે કે પરમાણુ ખરેખર સંશ્લેષણ કરી શકાય છે કે કેમ, પ્રતિક્રિયા સલામત છે કે નહીં, સંદર્ભ વાસ્તવિક છે કે નહીં અને અંતિમ જવાબદારી.

રસાયણશાસ્ત્રના વર્કફ્લોમાં AI ક્યાં ફિટ થાય છે?

ચાલો રસાયણશાસ્ત્રના પ્રોજેક્ટને પાંચ તબક્કામાં વિભાજીત કરીએ: (1) વિચાર અને સાહિત્ય, (2) પરમાણુ અને પ્રતિક્રિયા ડિઝાઇન, (3) પ્રયોગશાળા એપ્લિકેશન, (4) વિશ્લેષણ અને લાક્ષણિકતા, (5) અહેવાલ. AI આ તબક્કામાં ખૂબ જ અલગ મૂલ્યો ધરાવે છે.

• વિચારો અને સાહિત્ય: AI ઝડપથી વિષયનો સારાંશ આપે છે, મુખ્ય ખ્યાલો સમજાવે છે, શોધ શબ્દો જનરેટ કરે છે. પરંતુ તે એટ્રિબ્યુશન બનાવી શકે છે; અમે આ એક ક્ષણમાં જોઈશું.
• ડિઝાઇન: સ્માઇલ્સ જનરેટ કરે છે (ટેક્સ્ટ સ્ટ્રિંગ તરીકે પરમાણુ લખવાનું એક સ્વરૂપ; તેના પર પછીથી વધુ), રેટ્રોસિન્થેસિસના પગલાં સૂચવે છે, પ્રતિક્રિયાશીલ વિકલ્પોની યાદી આપે છે. સૂચન સારું છે, ગેરંટી નથી.
• લેબોરેટરી: AI અહીં કંઈ કરતું નથી. વજન, ગરમી અને સુરક્ષા પગલાં મનુષ્યો દ્વારા હાથ ધરવામાં આવે છે. AI માત્ર પ્રક્રિયા લખવામાં મદદ કરે છે; તે પ્રક્રિયા કરતા પહેલા માણસે સલામતી માટે તેની દેખરેખ રાખવી પડે છે.
• વિશ્લેષણ: NMR, IR, માસ સ્પેક્ટ્રમનું અર્થઘટન કરવામાં (આ માપન તકનીકો છે જે પરમાણુનું માળખું દર્શાવે છે), YZ શિખરોને જૂથબદ્ધ કરવામાં અને સંભવિત રચનાઓની સૂચિ બનાવવામાં મદદ કરે છે. અંતિમ સોંપણી તમારી છે.
• રિપોર્ટિંગ: પ્રાયોગિક નોટબુક, લેખ ડ્રાફ્ટ, સલામતી ફોર્મ ડ્રાફ્ટ બનાવે છે. તે ખૂબ શક્તિશાળી છે; પરંતુ સંખ્યાઓ તમારી સાથે મેળ ખાતી હોવી જોઈએ.

ટીપ: AI નો ઉપયોગ કરવા માટેનું સૌથી સુરક્ષિત સ્થાન "જો કંઈક ખોટું થાય તો તે તરત જ ધ્યાનમાં લેવામાં આવશે અને તેને ઠીક કરવામાં આવશે" વિસ્તારોમાં છે: ડ્રાફ્ટ ટેક્સ્ટ, કોડ હાડપિંજર, શબ્દ વર્ણન. સૌથી જોખમી સ્થાનો "જો ખોટા હોય, તો તે શાંતિથી ફેલાય છે" વિસ્તારો છે: સ્થિરાંકો, સંદર્ભો, સુરક્ષા નિવેદનો, સંખ્યાત્મક પરિણામો.

શા માટે આપણે સાવચેત રહેવાની જરૂર છે? ત્રણ માળખાકીય જોખમો

મોટા ભાષાનું મોડેલ કેલ્ક્યુલેટર કે રસાયણશાસ્ત્રનું એન્જિન નથી. ટેક્સ્ટ બનાવે છે જે આંકડાકીય રીતે "સંભવિત લાગે છે". આ રસાયણશાસ્ત્રમાં ત્રણ નક્કર જોખમો તરફ દોરી જાય છે:

1. મેડ અપ (ભ્રામકતા): આત્મવિશ્વાસપૂર્વક એક સંયોજન લખી શકે છે જે મોડેલ નથી, પ્રતિક્રિયા કે જે અસ્તિત્વમાં નથી અથવા અયોગ્ય પરમાણુ વજન. ઉદાહરણ તરીકે, તે કહે છે કે "કમ્પાઉન્ડ X નું પરમાણુ વજન 154.2 g/mol છે", જ્યારે સાચું મૂલ્ય 168.2 છે.
2. નકલી અવતરણ: વાસ્તવિક લાગે છે પરંતુ બિલકુલ અસ્તિત્વમાં નથી તેવા સ્ત્રોત આપી શકે છે, જેમ કે "સ્મિથ એટ અલ., 2019, જર્નલ ઓફ ઓર્ગેનિક કેમિસ્ટ્રી." તે DOI નંબર પણ બનાવી શકે છે.
3. સલામતી ભ્રમણા: રીએજન્ટના ખતરનાક સંયોજન (દા.ત. ઓક્સિડાઇઝર અને અયોગ્ય ગુણોત્તરમાં કાર્બનિક દ્રાવક) "કોઈ સમસ્યા નથી" તરીકે રજૂ કરી શકે છે.

આ ત્રણ જોખમો આ મોડ્યુલના દરેક એકમમાં ફરીથી અને ફરીથી દેખાશે. ઉકેલ એઆઈથી છટકી જવાનો નથી, પરંતુ દરેક આઉટપુટને સ્વતંત્ર સ્ત્રોત સાથે ચકાસવાની શિસ્ત સ્થાપિત કરવાનો છે.

નાના કેસો

કેસ 1 — ફીટ કરેલ મોલેક્યુલર વજન. એક સ્નાતક વિદ્યાર્થીએ AI ને પેરા-નાઈટ્રોફેનોલ માટે મોલેક્યુલર વજન પૂછ્યું. "139.11 ગ્રામ/મોલ," એઆઈએ કહ્યું. વિદ્યાર્થી આત્મવિશ્વાસ ધરાવતો હતો અને તેણે 0.05 મોલ માટે 6.96 ગ્રામ વજન કરવાનું આયોજન કર્યું હતું. જો કે, પેરા-નાઈટ્રોફેનોલનું મોલેક્યુલર વજન 139.11 ગ્રામ/મોલ છે, અને આ વખતે તે સાચું હતું — પરંતુ વિદ્યાર્થીએ ક્યારેય તપાસ કરી ન હતી. આગળના સંયોજન પર (પેરા-એમિનોફેનોલ, વાસ્તવિક મૂલ્ય 109.13 g/mol) YZ એ કહ્યું “123.15”; આ વખતે વિદ્યાર્થીએ તેને ફોર્મ્યુલા (C6H7NO2): 6×12.011 + 7×1.008 + 14.007 + 2×15.999 = 109.13માંથી હાથ વડે ગણતરી કરીને તેને પકડ્યો. પાઠ: સૂત્ર વિના દરેક પરમાણુ વજનની ગણતરી કરો.

કેસ 2 — નકલી DOI. એક સંશોધકે તેની સાહિત્ય સમીક્ષામાં AI ને 5 સ્ત્રોતો માટે પૂછ્યું. જ્યારે ક્લિક કરવામાં આવ્યું ત્યારે પાંચમાંથી બેના DOI "ન મળ્યું" પરત ફર્યા; હેડલાઇન્સ હકીકત પર આધારિત હતી, પરંતુ લેખો ન હતા. 40 મિનિટનો સમય બગાડવો. પાઠ: ડેટાબેઝ (DOI, PubMed, Reaxys) માં ચકાસણી કર્યા વિના દરેક સંદર્ભનો ઉપયોગ કરવો જોઈએ નહીં.

કેસ 3 - સંકટ જે સલામત લાગે છે. એક વપરાશકર્તાએ એઆઈને સફાઈ પ્રક્રિયા વિશે પૂછ્યું; AI એ આડકતરી રીતે હાઇપોક્લોરાઇટ ધરાવતા સોલ્યુશનને એસિડિક સોલ્યુશન સાથે ભેળવવાનું સૂચન કર્યું - એક સંયોજન જે ક્લોરિન ગેસને મુક્ત કરી શકે છે. સદભાગ્યે વપરાશકર્તાએ સલામતી ડેટા શીટ (SDS) પર જોયું અને અટકી ગયો. પાઠ: દરેક પ્રક્રિયાને અમલમાં મૂકતા પહેલા SDS અને જોખમ માટે માનવ-નિરીક્ષણ કરવામાં આવે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ પરમાણુનું સંશ્લેષણ કરો.

આ દાવો અસ્પષ્ટ છે: શું પરમાણુ, કઈ પ્રારંભિક સામગ્રી, શું સ્કેલ, શું અવરોધો? AI અંતર બનાવે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે કાર્બનિક સંશ્લેષણમાં અનુભવી સહાયક છો. લક્ષ્ય પરમાણુ: 4-મેથોક્સ્યાસેટોફેનોન (સ્માઇલ્સ: COc1ccc(cc1)C(C)=O). અમારી પાસે પ્રારંભિક સામગ્રી તરીકે એનિસોલ છે. કાર્ય: 2-પગલાની રેટ્રોસિન્થેસિસની દરખાસ્ત આપો. દરેક પગલા માટે: રીએજન્ટ્સ, સ્થિતિઓ (તાપમાન, દ્રાવક), અને સંભવિત બાજુ પ્રતિક્રિયાઓ. અવરોધ: જ્યાં તમને ખાતરી ન હોય ત્યાં "ચકાસણી કરો" ચિહ્નિત કરો, ફિટિંગ. આઉટપુટ: ક્રમાંકિત પગલાં + ચકાસવા માટેના બિંદુઓની સૂચિ.

તફાવત: ભૂમિકા, ચોક્કસ લક્ષ્ય (સ્માઇલ્સ સાથે), સંદર્ભ, પગલાઓની સંખ્યા, આઉટપુટ ફોર્મેટ અને "ફિટિંગ" અવરોધ. રસાયણશાસ્ત્રમાં સારા પ્રોમ્પ્ટિંગના આ પાંચ ઘટકો છે: ભૂમિકા, ચોક્કસ માળખું રજૂઆત, સંદર્ભ, કાર્ય, ચકાસણી અવરોધ.

AI ટૂલ્સના પ્રકાર: ભાષા મોડલ અથવા કેમિસ્ટ્રી ટૂલ?

રસાયણશાસ્ત્રમાં તમે બે અલગ અલગ "AI" નો સામનો કરો છો અને તેમને મૂંઝવણમાં ન મૂકવું મહત્વપૂર્ણ છે:

શૈલી

શું કરે છે

વિશ્વસનીયતા

ઉદાહરણ ઉપયોગ

સામાન્ય ભાષા મોડેલ

ટેક્સ્ટ/કોડ જનરેટ કરે છે, સમજાવે છે, ડ્રાફ્ટ લખે છે

સંખ્યામાં ઓછા, ભાષામાં ઉચ્ચ

પ્રક્રિયાની રૂપરેખા, પરિભાષા સમજૂતી

રસાયણશાસ્ત્ર પુસ્તકાલય (RDKit વગેરે)

પરમાણુ પર નિર્ણાયક રીતે પ્રક્રિયા કરે છે, પરમાણુ વજનની ગણતરી કરે છે

ઉચ્ચ (નિયમ-આધારિત)

SMILES ચકાસણી, MA એકાઉન્ટ

કસ્ટમ અનુમાન મોડલ (રેટ્રોસિન્થેસિસ, લક્ષણ)

ડેટા-પ્રશિક્ષિત આગાહી આપે છે

મધ્યમ, વિસ્તાર પર આધાર રાખીને

રેટ્રોસિન્થેસિસ, દ્રાવ્યતા અંદાજ

સાહિત્ય/શોધ સાધન

વાસ્તવિક ડેટાબેઝ પ્રશ્નો

સ્ત્રોત પર આધાર રાખીને ઉચ્ચ

એટ્રિબ્યુશન પુષ્ટિ, પ્રતિક્રિયા શોધ

સૌથી મજબૂત વર્કફ્લો આને જોડે છે: ભાષા મોડેલ વિચાર પેદા કરે છે, રસાયણશાસ્ત્ર પુસ્તકાલય સંખ્યાની નિર્ધારિત ગણતરી કરે છે, સાહિત્ય સાધન એટ્રિબ્યુશનને ચકાસે છે, માનવ માન્ય કરે છે. અમે આગામી એકમોમાં આ સાંકળ સ્થાપિત કરીશું.

ચકાસણી શિસ્ત: ચાર પગલાં

દરેક AI આઉટપુટને લેબ અથવા રિપોર્ટમાં દાખલ કરતા પહેલા આ ચાર પગલાઓ દ્વારા લો:

1. માળખું: શું પરમાણુ/પ્રતિક્રિયા સંકેત (સ્માઇલ્સ/ઇંચઆઇ) માન્ય છે? શું તેને ટૂલ (RDKit) વડે વિશ્લેષિત કરી શકાય છે?
2. સંખ્યા: શું પરમાણુ વજન, સ્ટોઇકોમેટ્રી, ઉપજની ગણતરી સ્વતંત્ર રીતે (હાથ કે પુસ્તકાલય દ્વારા) ચકાસવામાં આવી છે?
3. સ્ત્રોત: શું દરેક દાવા અને એટ્રિબ્યુશનની વાસ્તવિક ડેટાબેઝમાં ચકાસણી કરવામાં આવી છે?
4. સલામતી: શું પ્રક્રિયામાં દરેક રીએજન્ટ માટે SDS વાંચવામાં આવ્યું છે, શું ત્યાં કોઈ ખતરનાક સંયોજનો છે?

નોંધ: આ ચાર પગલાં "હંમેશાં" લાગુ પડે છે, "ક્યારેક" નહીં. 20 પરિસ્થિતિઓ કે જેમાં AI સાચી છે તે 1 પરિસ્થિતિને માફ કરશો નહીં જેમાં તે ખોટી છે; કારણ કે રસાયણશાસ્ત્રમાં તે 1 પરિસ્થિતિ વિસ્ફોટ, ઝેર અથવા પાછો ખેંચાયેલ લેખ હોઈ શકે છે.

સામાન્ય ભૂલો

• AI આઉટપુટને "સંસાધન" તરીકે ભૂલવું. AI એ સંસાધન નથી, પરંતુ એક જનરેટર છે જે સંસાધનોને યાદ રાખવાનો પ્રયાસ કરે છે (ક્યારેક ખોટી રીતે). તે સ્ત્રોત ડેટાબેઝ છે.
• નંબર પર વિશ્વાસ. પરમાણુ વજન, pKa, ઉત્કલન બિંદુ જેવી સંખ્યાઓને ચકાસ્યા વિના તેનો ઉપયોગ કરવો. આની ગણતરી/શોધ નિર્ધારિત રીતે કરી શકાય છે; ભાષાનું મોડેલ પૂછવું એ સૌથી નબળી રીત છે.
• AI ને આઉટસોર્સિંગ સુરક્ષા. "AI એ કહ્યું નથી કે તે ખતરનાક છે" તેનો અર્થ એ નથી કે તે સુરક્ષિત છે. જોખમનું મૂલ્યાંકન એ માણસ અને એસડીએસનું કામ છે.
• અસ્પષ્ટ પ્રોમ્પ્ટ. પરમાણુને તેના નામથી નહીં પરંતુ તેની રચના (સ્માઇલ્સ/ઇંસીએચઆઇ); આ નામની મૂંઝવણને કારણે ખોટા પરમાણુઓ તરફ દોરી જાય છે.
• માત્ર એક પ્રયાસ પર વિશ્વાસ. એક જ પ્રશ્ન ફરીથી અલગ રીતે પૂછવો અને સુસંગતતા તપાસવી નહીં.

સારાંશમાં

• AI એ રસાયણશાસ્ત્રમાં એક શક્તિશાળી ડેસ્ક સહાયક છે: તે કોડ, રૂપરેખા, વર્ણન, સ્કેન હાડપિંજર બનાવે છે; પરંતુ લેબ તે કરતી નથી અને તેના આઉટપુટની ચકાસણી કરતી નથી.
• ત્રણ સ્વાભાવિક જોખમો છે: નકલી સંયોજન/નંબર, નકલી એટ્રિબ્યુશન, સુરક્ષા ભ્રમણા.
• સામાન્ય ભાષાના નમૂના અને નિર્ધારિત રસાયણશાસ્ત્રના સાધનો (RDKit, ડેટાબેસેસ) ને અલગ અને સંયોજિત કરો.
• દરેક આઉટપુટને સ્ટ્રક્ચર-નંબર-સોર્સ-સિક્યોરિટીના ચાર સ્ટેપમાંથી લો.
• ગુડ પ્રોમ્પ્ટ: ભૂમિકા, સ્પષ્ટ માળખું રજૂઆત, સંદર્ભ, કાર્ય, માન્યતા અવરોધનો સમાવેશ કરે છે.

એપ્લિકેશન કાર્ય

એક પરમાણુ પસંદ કરો જેનો તમે જાતે અભ્યાસ કર્યો હોય (દા.ત. એસ્પિરિન, સ્માઈલ્સ: CC(=O)Oc1cccc1C(=O)O). AI ને ત્રણ વસ્તુઓ પૂછો: (1) પરમાણુ વજન, (2) બે સંદર્ભ પત્રો, (3) એક સંશ્લેષણ પગલું. પછી દરેકને સ્વતંત્ર રીતે ચકાસો: ફોર્મ્યુલામાંથી મેન્યુઅલી પરમાણુ વજનની ગણતરી કરો, DOI સાથે ટાંકણોની પુષ્ટિ કરો, સુરક્ષા આંખ સાથે સંશ્લેષણના પગલાની તપાસ કરો. કયું આઉટપુટ સાચું બહાર આવ્યું અને કયા સુધારાની જરૂર છે? અડધા પૃષ્ઠનો "વેરિફિકેશન લોગ" રાખો.

ચેકલિસ્ટ

• [ ] મને સમજાયું કે AI એક સહાયક છે, રસાયણશાસ્ત્રી નથી.
• [ ] હું ઉદાહરણો સાથે બનાવટ, ખોટા એટ્રિબ્યુશન અને અવિશ્વાસના જોખમોને ઓળખું છું.
• [ ] હું ભાષા મોડેલ અને નિર્ણાયક રસાયણશાસ્ત્રના સાધનો વચ્ચે તફાવત કરી શકું છું.
• [] હું દરેક આઉટપુટ પર સ્ટ્રક્ચર-નંબર-સોર્સ-સિક્યોરિટીના ચાર પગલાં લાગુ કરીશ.
• [ ] હું પરમાણુઓનું વર્ણન સ્ટ્રક્ચર નોટેશન (સ્માઈલ્સ/InChI) દ્વારા કરું છું, નામ દ્વારા નહીં.
• [ ] મેં ઓછામાં ઓછો એક વેરિફિકેશન લોગ રાખ્યો છે.