引入不确定性检测器AI优化实验测试量减40%

洛桑联邦理工学院研究员博贾娜·兰科维奇与菲利普·施瓦默尔近日研发出GOLLuM新型人工智能优化方法，成果已发表于《自然·机器智能》。针对大语言模型在科学实验设计中易产生幻觉且难以量化不确定性的痛点，该团队将大模型与高斯过程结合，构建出概率化的“怀疑探测器”。GOLLuM摒弃直接提示策略，转而利用高斯过程评估方案性能与置信度来反向训练模型，使其在迭代中自主重组实验搜索空间，自动聚类相似条件并优先推荐高优解。在涵盖有机合成、材料科学等二十三项基准测试中，GOLLuM凭借出色的泛化能力位居榜首。在五十次实验预算内，其寻得全局最优前五条件的成功率达百分之三十六点三，显著优于传统贝叶斯优化。整体而言，该方法达成同等目标所需实验次数减少逾百分之四十。此技术彻底摆脱人工特征工程依赖，允许科研人员直接输入实验描述启动优化，有效规避模型幻觉风险，为新材料、新药及化学反应的研发筛选提供了高效、可解释的智能化路径。