AIが実験最適化、テスト数を40%削減

ローザンヌ連邦工科大学（EPFL）の研究チームは、大規模言語モデル（LLM）の推論能力とガウス過程を統合した実験最適化フレームワークGOLLuMを開発し、学術誌Nature Machine Intelligenceに発表しました。Bojana Ranković博士とPhilippe Schwaller教授らは、従来のベイズ最適化が分野間で流用しにくい点、およびLLMのハルシネーションリスクを解決するため、確率モデルによる不確実性検出器をLLMに組み合わせた手法を提案しました。 GOLLuMはLLMを直接プロンプトするのではなく、ガウス過程の不確実性スコアを用いて学習させます。これによりモデルは探索空間を自発的に再編成し、類似結果を生む条件を近接、異質な条件を遠ざけるようベクトル配置を調整します。この仕組みはLLMの誤答を未然に防ぎながら、効率的な実験候補の絞り込みを実現します。 有機合成、材料科学、触媒を含む23のベンチマークタスクでの評価では、GOLLuMは伝統的手法を平均で上回り総合1位を記録しました。50回以内の実験予算内で検証された条件の36.3％が上位5％に該当し、従来手法を大幅に上回りました。全体として、高精度な最適解へ40％少ない実験数で収束することを証明しています。 本研究は、LLMを単なる回答生成器から不確実性を内包する最適化エンジンへ転換するアプローチを示しました。専門家の手動による記述子設計を省略し、自然言語で記述された手順に直接最適化を適用できるため、研究開発の初期段階から迅速かつ経済的な実験計画の策定を可能にします。