Notre méthodologie de recherche repose sur deux systèmes automatisés essentiels : un scientifique basé sur l’IA pour générer des recherches scientifiques innovantes et un évaluateur automatisé pour effectuer une évaluation rigoureuse. Ces systèmes agissent de concert pour explorer le potentiel de l’IA dans l’accélération de la découverte scientifique.
Le Scientifique IA
Le Scientifique IA est un système conçu pour mener de manière autonome des recherches en apprentissage machine. Nous présentons des résultats pour deux modes : un système basé sur des modèles qui étend le code fourni par l’humain et un système plus ouvert qui fonctionne avec beaucoup moins de guidage préalable. Les requêtes détaillées utilisées pour chaque système sont fournies dans les sections d’informations supplémentaires.
Technologies fondamentales
Les deux versions reposent sur des modèles de langage génératifs. Grâce à une grande quantité de données et à une échelle de modèle, ces systèmes montrent des capacités semblables à celles des humains, notamment en matière de raisonnement et de génération de code. Des schémas agentiques sont utilisés par le Scientifique IA pour améliorer sa performance et sa fiabilité, notamment par le biais d’une réflexion intégrée.
Scientifique IA basé sur des modèles
Le système commence par un modèle de code préexistant qui reproduit un entraînement simple d’un algorithme populaire sur un banc d’essai standard. Son flux de travail se déroule en trois phases :
-
1.
Génération d’idées : Le processus débute avec une expérience définie par un modèle de code fourni par l’humain. Ensuite, le système entre dans une boucle itérative de génération et de raffinement d’idées.
-
2.
Exécution des expériences : Une fois une idée prometteuse sélectionnée, le système élabore un plan expérimental en plusieurs étapes et exécute cet ordre en utilisant l’outil de codage Aider. Ce cas démontre une robustesse face aux erreurs d’exécution.
-
3.
Génération du manuscrit : Après avoir terminé la phase expérimentale, le système synthétise les résultats dans un article scientifique complet.
Scientifique IA sans modèle
Pour surmonter les limites d’un modèle de code fixe, nous avons développé une version sans modèle capable de découvertes plus ouvertes.
Génération d’idées généralisée
Le processus d’idéation utilisé par le système est plus abstrait et démarre par la génération de propositions de recherche à un niveau élevé, intégrées à une révision de littérature.
Gestion de l’avancement des expériences
Nous avons introduit un gestionnaire de progression expérimentale pour coordonner les phases distinctes de l’expérimentation scientifique.
Recherche d’arbre agentique parallélisée
Pour gérer la complexité d’une recherche ouverte, le flux de travail séquentiel du Scientifique IA basé sur des modèles est remplacé par un arbre agentique parallélisé.
Intégration des modèles de langage visuel (VLM)
Ce système intègre des VLMs pour analyser et fournir des retours sur des données visuelles lors des expériences.
Accès généralisé aux ensembles de données
Pour élargir ses capacités de recherche, le système peut intégrer dynamiquement des ensembles de données à partir de dépôts publics.
Rédaction améliorée du manuscrit
Le système sans modèle permet une génération directe de LaTeX en utilisant un modèle de raisonnement, suivie d’un cycle de réflexion.
L’Évaluateur Automatisé
Pour évaluer la qualité de la recherche générée par l’IA, nous avons construit un évaluateur automatisé. Ce composant simule le processus de révision par des pairs.
Processus de révision
L’Évaluateur Automatisé suit un processus à plusieurs étapes pour produire une évaluation structurée.
Validation
Nous avons testé l’Évaluateur Automatisé en le comparant aux décisions humaines lors de revues précédentes.
Approbation éthique
Cette étude a reçu l’approbation éthique du comité de recherche de l’Université de la Colombie-Britannique.
Points à retenir
- Le Scientifique IA utilise des modèles de langage génératifs pour mener des recherches autonomes.
- Trois phases clés sont mises en œuvre : la génération d’idées, l’exécution des expériences et la rédaction du manuscrit.
- Une gestion efficace des modèles de recherche est essentielle pour surmonter les complexités des expériences scientifiques.
- Les systèmes intégrant des évaluateurs automatisés peuvent désormais simuler le processus de révision par des pairs avec des résultats prometteurs.
En tant que passionné de recherche et d’innovation technologique, je suis intrigué par le potentiel que ces systèmes peuvent offrir. L’intégration de l’IA dans la recherche scientifique révolutionne non seulement la manière dont nous formulons des hypothèses, mais aussi comment nous validons et partageons nos découvertes. Cela soulève des questions éthiques et méthodologiques sur l’avenir de la recherche. Comment ces intelligences artificielles influenceront-elles notre compréhension et notre interprétation des résultats scientifiques ? C’est un sujet de débat fascinant qui mérite d’être exploré davantage.