مدلهای زبانی بزرگ در حال توانمندسازی نسل جدیدی از عاملهای هوش مصنوعی هستند که میتوانند شیمی محاسباتی را از یک رشته تخصصی به حوزهای تبدیل کنند که هر پژوهشگری بتواند از آن استفاده کند؛ گزارشی از جولیا رابینسون.
به گزارش پایگاه اطلاعرسانی شیمی کلاب، شیمی محاسباتی در حال ورود به عصر جدیدی است. ظهور مدلهای زبانی بزرگ LLMها امکان پیدایش «عاملهای» هوش مصنوعی (AI) را فراهم کرده است؛ عاملهایی که میتوانند این حوزه را از چیزی مختص متخصصان، به عرصهای باز برای هر فرد علاقهمند تبدیل کنند.
در سال ۲۰۲۵، چندین پیشچاپ منتشر شد که چارچوبهای عاملمحور جدیدی برای انجام شیمی محاسباتی و کوانتومی را به نمایش میگذاشتند. هر یک از تیمهایی که این پلتفرمها را توسعه میدهند انگیزههای شخصی خود را دارند، اما یک هدف مشترک میان همه آنها دیده میشود: دموکراتیزه کردن این حوزه.
«دنیا همیشه دو نیرو دارد—نخبهگرایی و دموکراتیزاسیون»، آلن آسپیرو-گوزیک، استاد شیمی و علوم کامپیوتر در دانشگاه تورنتو کانادا و هممدیر آزمایشگاهی که عامل خودمختار El Agente را توسعه داده است، میگوید. «چرا باید شیمی محاسباتی را به افرادی محدود کنم که برای ویرایش این—صادقانه بگویم—فایلهای متنی کهنه و وحشتناک آموزش دیدهاند؟ چرا؟ چون مردم صرفاً از سنت پیروی میکنند و به اندازه کافی خلاق نیستند که کل سیستم را از نو بازاندیشی کنند.»
انگیزههای فردی
این نسل جدید از عاملهای هوش مصنوعی با گفتگو با کاربران به زبان طبیعی کار میکند تا بهطور خودکار به مسائل مشخص در شیمی محاسباتی و کوانتومی پاسخ دهد. این پلتفرمها میتوانند پرسشهای عمومی علمی را درک کنند، سپس آنها را به گامهای کوچکتر تقسیم کرده، ابزار مناسب را انتخاب کنند و با حداقل مداخله کاربر به حل مسئله بپردازند.
برای برخی از پژوهشگرانی که این ابزارها را توسعه میدهند، تمایل به دسترسپذیرتر کردن این حوزه از موانعی ناشی میشود که خودشان در دوران پژوهشگری جوان با آنها مواجه بودهاند.
پاولو او. درال، استاد شیمی نظری در دانشگاه شیامن چین و یکی از پژوهشگران اصلی پشت پلتفرم مبتنی بر هوش مصنوعی Aitomia، در اوکراین بزرگ شده است؛ جایی که منابع بهشدت محدود بود—بهطوریکه او مجبور شد برای شروع یادگیری شیمی محاسباتی، خودش یک کامپیوتر بخرد. «پیشرفتهترین نبود»، میگوید.
درال فاصله میان گروههای پژوهشی دارای منابع فراوان و آنهایی که ندارند را «یک مشکل بزرگ» توصیف میکند. «اگر گروهی منابع زیادی داشته باشد، میتواند علمِ روز را انجام دهد… اما اگر گروه کوچکی در محیطی نهچندان ثروتمند باشید، این یک مانع بزرگ است.»
وارینیا برنالِس، استادیار دانشگاه تورنتو کانادا که همراه با آسپیرو-گوزیک هممدیر آزمایشگاه El Agente است، در کشور زادگاهش شیلی با مانع جدی زبان روبهرو بوده است. «کشور کوچکی است، انگلیسی زبان اصلی نیست… و بهواسطه جغرافیای طبیعی منزوی بودیم… بنابراین کار سختی بود»، او به یاد میآورد. «در سطح دانشگاهی حتی خواندن کتابهای انگلیسی هم چالشبرانگیز بود… مجبور بودم به افراد ایمیل بزنم تا مقالات را بگیرم، در خواندنشان مشکل داشتم، و همین باعث میشد زمان زیادی ببرد.»
داشتن منابع مناسب الزاماً به معنای آسانتر شدن تسلط بر شیمی محاسباتی نیست.
شیمیدانها اغلب سالها زمان صرف میکنند تا نرمافزارهای لازم را بیاموزند و تخصص موردنیاز برای کار با مجموعهای گسترده و روزبهروز پیچیدهتر از ابزارها را به دست آورند، و همچنین بتوانند نتایج را بهدرستی تفسیر کنند. بسیاری از گردشکارها نیز به منابع محاسباتی با کارایی بالا (HPC) وابستهاند که بهسادگی در دسترس شیمیدانهای تجربی و دانشجویان نیستند.
بخوانید:
مومیاییهایی به رنگ سبز | از افسانه تا واقعیت
برخی معتقدند این مانع ورودِ بالا ممکن است نوآوری در حوزههایی مانند کشف دارو و علم مواد را کند کرده باشد. «اگر به شبیهسازی و کشف مواد نگاه کنید، افراد زمان بسیار زیادی—شاید دو یا سه سال—صرف میکنند تا فقط بفهمند چگونه حتی یک محاسبه باکیفیت انجام دهند؛ این کار واقعاً زمانبر است»، ونکات ویسواناتان، متخصص مهندسی مکانیک و هوافضا در دانشگاه میشیگان آمریکا و از پژوهشگران پروژه موتور پژوهشی مبتنی بر نظریه تابعی چگالی برای غربالگری عاملمحور مواد (Dreams)، میگوید.
«شیمی محاسباتی بسیار تکامل یافته است»، مورات کِچِلی، دانشمند محاسباتی در آزمایشگاه ملی آرگون آمریکا و یکی از توسعهدهندگان چارچوب عاملمحور ChemGraph، میگوید. «با این حال، به اندازهای که میتواند بر پژوهش شیمی اثر بگذارد اثرگذار نبوده، و یکی از دلایلش دشواری بهکارگیری مجموعه عظیمی از ابزارهاست که اغلب به دانش تخصصی و منابع محاسباتی قابلتوجه نیاز دارد.»
El Agente، Aitomia، ChemGraph و Dreams چهار چارچوب عاملمحور هستند که آمادهاند شیوه انجام شیمی محاسباتی و کوانتومی را دگرگون کنند.
کچلی میگوید: «انگیزه ما از عامل ChemGraph سادهسازی کار هر کسی است که میخواهد از ابزارهای شیمی محاسباتی استفاده کند—نه فقط ابزارهای پایه، بلکه حتی روشهای پیشرفته روز.»
ظهور عاملها
یکی از بزرگترین دلایل ظهور این مدلهای عاملمحور نسل جدید، پیدایش LLMهایی مانند ChatGPT و DeepSeek است. LLMها تواناییهای گستردهای در درک زبان طبیعی، استدلال و اجرای وظایف نشان دادهاند و همین آنها را برای هدایت گردشکارهای پیچیده بسیار مناسب میکند.
برنالِس توضیح میدهد: «عاملها از دهه ۱۹۹۰ وجود داشتهاند، اما سیستمهایی مبتنی بر قواعد بودند. آنچه امروز تفاوت ایجاد میکند، LLMهایی هستند که این عاملها را تغذیه میکنند.»
کچلی توضیح میدهد که LLMها به ایجاد رابطهای زبان طبیعی یا «چَت» کمک میکنند؛ رابطهایی که به گفته او قرار است به هنجار همه برنامههای شیمی محاسباتی تبدیل شوند. «وظیفه اصلی ما باید از میان برداشتن این مانعِ نحوِ خاصِ دامنه یا برنامه باشد که لازم است یاد بگیرید—به لطف LLMها همه اینها میتواند به رابط زبان طبیعی تعمیم یابد.»
