Исследователи EPFL объединили языковую модель с вероятностным алгоритмом, который оценивает степень неопределённости. Метод GOLLuM помог находить перспективные условия более чем на 40% меньшем количестве экспериментов. Исследователи Федеральной политехнической школы Лозанны разработали метод GOLLuM для ускорения научных экспериментов. Название расшифровывается как Gaussian Process Optimized LLMs. Система объединяет большую языковую модель с гауссовским процессом, который оценивает не только перспективность варианта, но и степень неопределённости прогноза. Статья опубликована в журнале Nature Machine Intelligence.Метод проверили на 23 задачах из органического синтеза, аналитической и технологической химии, материаловедения, катализа и оптимизации свойств молекул. В пределах 50 экспериментов к лучшим 5% возможных условий относились 36,3% проверенных вариантов, тогда как традиционный подход показал 29,7%. Исследователи также сообщают, что GOLLuM достигал сопоставимого результата более чем на 40% меньшем числе тестов. Обычно языковой модели можно поручить выбрать следующий эксперимент, но она не всегда понимает, когда ошибается. Это повышает риск проверить неподходящую реакцию, повторить уже неудачный вариант или предложить невозможную химическую структуру. GOLLuM использует вероятностный модуль как «детектор сомнений». Он помогает модели перестраивать пространство поиска так, чтобы похожие по поведению эксперименты располагались рядом, а сильно отличающиеся варианты разделялись.