Mga nadagdag:
- Ang kakayahang tukuyin kung saan ang artificial intelligence ay nakakatipid ng oras sa chemistry workflow (ideya, disenyo, pagsusuri, pag-uulat) at kung saan ang istraktura, numero, mapagkukunan at mga desisyon sa kaligtasan ay ipinaubaya sa mga tao, depende sa antas ng panganib.
- Kakayahang maglapat ng disiplina na independiyenteng sumusuri sa bawat output gamit ang apat na hakbang ng Structure-Number-Resource-Security
- Unawain kung bakit ang mga gawa-gawang compound at numero, maling sanggunian, at maling paniniwala sa seguridad ay mga panganib sa propesyon na ito na dapat isaalang-alang mula pa sa simula.
Ang Chemistry ay isang pang-eksperimentong agham na nag-aaral sa istruktura, pagbabago at mga katangian ng bagay. Ang isang botika ay tumitimbang, natutunaw, nagpapainit at sumusukat sa laboratoryo; Sa kanyang mesa, gumuhit siya ng mga molekula, nagpaplano ng mga reaksyon, nag-interpret ng spectra, nag-scan ng literatura at nagsusulat ng mga ulat. Ang artificial intelligence (AI para sa maikli, dito partikular na software na bumubuo ng text sa pamamagitan ng paghula sa "susunod na pinaka-malamang na salita," na sinanay sa isang malaking modelo ng wika, ibig sabihin, napakalaking data ng text) ay maaaring kapansin-pansing mapabilis ang marami sa mga trabahong ito sa desk. Ngunit hindi nito ginagawa ang lab mismo, hindi nito binabasa ang mga timbangan, at ang pinakamahalaga: hindi nito bini-verify ang anumang mga numero, formula, o pagsipi na ginagawa nito para sa iyo. Itinuturo ng module na ito kung paano gamitin ang AI sa chemistry na end-to-end ngunit responsable.
Sa unang yunit na ito, gusto kong magtanim ng isang ideya sa iyong isipan: Ang AI ay isang katulong sa kimika, hindi isang chemist. Sumulat ng code, gumagawa ng mga balangkas, bumubuo ng retrosynthesis framework, tumutulong sa pagbibigay kahulugan sa mga spectrum peak, nagbubuod ng panitikan. Gayunpaman, ito ay ang karampatang chemist na nagpapasya kung ang molekula ay maaaring aktwal na ma-synthesize, kung ang isang reaksyon ay ligtas o hindi, kung ang isang sanggunian ay tunay o hindi, at ang tunay na responsibilidad.
Saan nababagay ang AI sa chemistry workflow?
Halos hatiin natin ang isang proyekto sa kimika sa limang yugto: (1) ideya at literatura, (2) disenyo ng molekula at reaksyon, (3) aplikasyon sa laboratoryo, (4) pagsusuri at paglalarawan, (5) pag-uulat. Ang AI ay nagdadala ng ibang mga halaga sa mga yugtong ito.
- Mga ideya at literatura: Mabilis na nagbubuod ang AI ng isang paksa, nagpapaliwanag ng mga pangunahing konsepto, bumubuo ng mga termino para sa paghahanap. Ngunit maaari siyang gumawa ng pagpapatungkol; Makikita natin ito sa ilang sandali.
- Disenyo: Bumubuo ng SMILES (isang anyo ng pagsulat ng molekula bilang isang string ng teksto; higit pa sa susunod), nagmumungkahi ng mga hakbang sa retrosynthesis, naglilista ng mga reaktibong alternatibo. Ang mungkahi ay mabuti, hindi isang garantiya.
- Laboratory: Walang ginagawa ang AI dito. Ang pagtimbang, pag-init at mga hakbang sa seguridad ay isinasagawa ng mga tao. Tumutulong lamang ang AI na isulat ang pamamaraan; Bago isagawa ang pamamaraang iyon, kailangang bantayan ito ng isang tao para sa kaligtasan.
- Pagsusuri: Sa pagbibigay-kahulugan sa NMR, IR, mass spectrum (ito ay mga pamamaraan ng pagsukat na nagpapakita ng istruktura ng molekula), tinutulungan ng YZ na pangkatin ang mga taluktok at ilista ang mga posibleng istruktura. Ang huling takdang-aralin ay sa iyo.
- Pag-uulat: Gumagawa ng pang-eksperimentong notebook, draft ng artikulo, draft ng form sa kaligtasan. Ito ay napakalakas; ngunit ang mga numero ay dapat tumugma sa iyo.
Tip: Ang pinakaligtas na lugar para gamitin ang AI ay nasa mga lugar na "kung may mali, mapapansin ito at aayusin kaagad": draft text, code skeleton, term description. Ang mga pinakamapanganib na lugar ay ang mga lugar na "kung mali, kumakalat ito nang tahimik": mga constant, mga sanggunian, mga pahayag sa seguridad, mga resulta ng numero.
Bakit kailangan nating mag-ingat? Tatlong panganib sa istruktura
Ang modelo ng malaking wika ay hindi isang calculator o isang chemistry engine. Gumagawa ng text na "mukhang malamang" ayon sa istatistika. Ito ay humahantong sa tatlong konkretong panganib sa kimika:
- Binubuo (hallucination): May kumpiyansa na makapagsusulat ng isang tambalang hindi isang modelo, isang reaksyon na hindi umiiral, o isang maling molekular na timbang. Halimbawa, sinasabi nitong "Ang molecular weight ng compound X ay 154.2 g/mol", samantalang ang tamang halaga ay 168.2.
- Pekeng pagsipi: Maaaring magbigay ng source na mukhang makatotohanan ngunit wala talaga, gaya ng "Smith et al., 2019, Journal of Organic Chemistry." Kaya niyang gumawa ng DOI number.
- Safety fallacy: Maaaring magpakita ng isang mapanganib na kumbinasyon ng mga reagents (hal. isang oxidizer at isang organic na solvent sa isang hindi naaangkop na ratio) bilang "walang problema".
Ang tatlong panganib na ito ay lilitaw nang paulit-ulit sa bawat yunit ng modyul na ito. Ang solusyon ay hindi upang makatakas mula sa AI, ngunit upang maitaguyod ang disiplina ng pag-verify ng bawat output gamit ang isang independiyenteng pinagmulan.
maliit na kaso
Case 1 — Fit na molekular na timbang. Isang nagtapos na estudyante ang nagtanong sa AI ng molekular na timbang para sa para-nitrophenol. "139.11 g/mol," sabi ng AI. Ang mag-aaral ay may tiwala at binalak na timbangin ang 6.96 g para sa 0.05 mol. Gayunpaman, ang molecular weight ng para-nitrophenol ay 139.11 g/mol, at sa pagkakataong ito ito ay tama — ngunit hindi kailanman nasuri ng estudyante. Sa susunod na tambalan (para-aminophenol, aktwal na halaga 109.13 g/mol) sinabi ni YZ na "123.15"; Sa pagkakataong ito ay nahuli ito ng mag-aaral sa pamamagitan ng pagkalkula nito sa pamamagitan ng kamay mula sa formula (C6H7NO2): 6×12.011 + 7×1.008 + 14.007 + 2×15.999 = 109.13. Aralin: kalkulahin ang bawat molekular na timbang na walang formula.
Kaso 2 — Pekeng DOI. Humingi ang isang mananaliksik sa AI ng 5 mapagkukunan sa kanyang pagsusuri sa panitikan. Ang DOI ng dalawa sa lima ay bumalik na "hindi nahanap" kapag na-click; Ang mga headline ay totoo, ngunit ang mga artikulo ay hindi. Pag-aaksaya ng oras 40 minuto. Aralin: hindi lahat ng pagsipi ay dapat gamitin nang walang pag-verify sa database (DOI, PubMed, Reaxys).
Case 3 — Hazard na mukhang ligtas. Tinanong ng isang gumagamit ang AI tungkol sa isang pamamaraan ng paglilinis; Ang AI ay hindi direktang gumawa ng mungkahi ng paghahalo ng hypochlorite-containing solution sa acidic solution—isang kumbinasyon na maaaring maglabas ng chlorine gas. Sa kabutihang palad, tiningnan ng user ang safety data sheet (SDS) at huminto. Aralin: bawat pamamaraan ay siniyasat ng tao para sa SDS at panganib bago ipatupad.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
I-synthesize ang molekula na ito.
Ang paghahabol na ito ay malabo: anong molekula, anong panimulang materyales, anong sukat, anong mga hadlang? Binubuo ng AI ang mga puwang.
Napakahusay na prompt:
Tungkulin: Isa kang makaranasang katulong sa organic synthesis. Target na molekula: 4-methoxyacetophenone (NGITI: COc1ccc(cc1)C(C)=O). Mayroon kaming anisole bilang panimulang materyal. Gawain: Magbigay ng 2-step na retrosynthesis proposal. Para sa bawat hakbang: reagents, kondisyon (temperatura, solvent), at POSIBLE side reactions. Paghadlang: Markahan ang "VERIFY" kung saan hindi ka sigurado, angkop. Output: may bilang na mga hakbang + listahan ng mga puntong ibe-verify.
Pagkakaiba: tungkulin, eksaktong target (na may SMILES), konteksto, bilang ng mga hakbang, format ng output at "angkop" na hadlang. Ito ang limang bahagi ng magandang pag-udyok sa kimika: papel, tumpak na representasyon ng istruktura, konteksto, gawain, hadlang sa pag-verify.
Mga uri ng AI tool: language model o chemistry tool?
Sa chemistry makakatagpo ka ng dalawang magkaibang "AI" at mahalagang huwag malito ang mga ito:
Genre
Ano ang ginagawa
pagiging maaasahan
Halimbawa ng paggamit
Pangkalahatang modelo ng wika
Bumubuo ng text/code, nagpapaliwanag, nagsusulat ng mga draft
Mababa sa mga numero, mataas sa wika
Balangkas ng pamamaraan, pagpapaliwanag ng terminolohiya
Chemistry library (RDKit atbp.)
Pinoproseso ang molekula nang deterministiko, kinakalkula ang bigat ng molekular
Mataas (batay sa panuntunan)
SMILES verification, MA account
Custom na modelo ng hula (retrosynthesis, feature)
Nagbibigay ng hula na sinanay ng data
Katamtaman, depende sa lugar
Retrosynthesis, pagtatantya ng solubility
Literature/search tool
Mga tunay na query sa database
Mataas depende sa pinagmulan
Pagkumpirma ng pagpapatungkol, paghahanap ng reaksyon
Pinagsasama ng pinakamatatag na daloy ng trabaho ang mga ito: ang modelo ng wika ay bumubuo ng ideya, ang chemistry library ay kinakalkula ang numero nang deterministiko, ang literature tool ay nagbe-verify ng attribution, ang tao ay nagpapatunay. Itatatag namin ang chain na ito sa mga susunod na unit.
Disiplina sa pagpapatunay: APAT na hakbang
Gawin ang bawat output ng AI sa pamamagitan ng apat na hakbang na ito bago ito ipasok sa lab o mag-ulat:
- Istraktura: Wasto ba ang molecule/reaction notation (SMILES/InChI)? Maaari ba itong ma-parse gamit ang isang tool (RDKit)?
- Numero: May molecular weight, stoichiometry, pagkalkula ng ani na na-verify nang nakapag-iisa (sa pamamagitan ng kamay o library)?
- Pinagmulan: Na-verify na ba ang bawat claim at attribution sa isang tunay na database?
- Kaligtasan: Nabasa na ba ang SDS para sa bawat reagent sa pamamaraan, mayroon bang anumang mapanganib na kumbinasyon?
Tandaan: Ang apat na hakbang na ito ay "palagi", hindi "minsan". 20 mga sitwasyon kung saan tama ang AI ay huwag idahilan ang 1 sitwasyon kung saan ito ay mali; dahil sa chemistry ang 1 sitwasyong iyon ay maaaring isang pagsabog, pagkalason o isang binawi na artikulo.
Mga karaniwang pagkakamali
- Napagkakamalang "resource" ang output ng AI. Ang AI ay hindi isang mapagkukunan, ngunit isang generator na sumusubok na matandaan ang mga mapagkukunan (minsan ay hindi tama). Ito ang source database.
- Nagtitiwala sa numero. Gumagamit ng mga numero tulad ng molecular weight, pKa, boiling point nang hindi bini-verify ang mga ito. Ang mga ito ay maaaring kalkulahin/hanapin nang deterministiko; Ang pagtatanong sa modelo ng wika ay ang pinakamahinang paraan.
- Outsourcing ng seguridad sa AI. "Hindi sinabi ng AI na ito ay mapanganib" ay hindi nangangahulugan na ito ay ligtas. Ang pagtatasa ng peligro ay trabaho ng tao at SDS.
- Malabong prompt. Hindi pagbibigay sa molekula sa pamamagitan ng pangalan nito ngunit sa pamamagitan ng istraktura nito (SMILES/InChI); Ito ay humahantong sa mga maling molekula dahil sa pagkalito ng pangalan.
- Nagtitiwala sa isang pagsubok lang. Pagtatanong muli ng parehong tanong sa ibang paraan at hindi sinusuri ang pagkakapare-pareho.
Sa buod
- Ang AI ay isang makapangyarihang desk assistant sa chemistry: gumagawa ito ng code, mga balangkas, paglalarawan, pag-scan ng mga skeleton; ngunit hindi ito ginagawa ng lab at hindi bini-verify ang output nito.
- May tatlong likas na panganib: pekeng tambalan/numero, pekeng pagpapatungkol, kamalian sa seguridad.
- Paghiwalayin at pagsamahin ang pangkalahatang modelo ng wika at mga deterministikong chemistry tool (RDKit, mga database).
- Gawin ang bawat output sa pamamagitan ng apat na hakbang ng Structure–Number–Source–Security.
- Magandang prompt: kasama ang tungkulin, tahasang representasyon ng istruktura, konteksto, gawain, hadlang sa pagpapatunay.
Gawain ng aplikasyon
Pumili ng isang molekula na pinag-aralan mo mismo (hal. aspirin, SMILES: CC(=O)Oc1ccccc1C(=O)O). Tanungin ang AI ng tatlong bagay: (1) timbang ng molekular, (2) dalawang sangguniang papel, (3) isang hakbang ng synthesis. Pagkatapos ay i-verify ang bawat isa nang nakapag-iisa: manu-manong kalkulahin ang molekular na timbang mula sa formula, kumpirmahin ang mga pagsipi gamit ang DOI, suriin ang hakbang ng synthesis gamit ang isang security eye. Aling output ang lumabas na tama at alin ang nangangailangan ng pagwawasto? Panatilihin ang isang kalahating pahina na "log ng pag-verify."
checklist
- [ ] Napagtanto ko na ang AI ay isang katulong, hindi isang chemist.
- [ ] Kinikilala ko ang mga panganib ng katha, maling pagpapalagay, at kawalan ng tiwala sa mga halimbawa.
- [ ] Naiiba ko ang pagkakaiba sa pagitan ng modelo ng wika at ng mga deterministikong chemistry tool.
- [ ] Ilalapat ko ang apat na hakbang ng Structure–Number–Source–Security sa bawat output.
- [ ] Inilalarawan ko ang mga molekula sa pamamagitan ng notasyon ng istraktura (SMILES/InChI), hindi sa pangalan.
- [ ] Nagtabi ako ng kahit isang verification log.