ਇੱਕ ਲਗਭਗ ਸਵੈ-ਚਾਲਿਤ AI ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਨੇ ਦਵਾਈਆਂ ਦੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਚੁਣੌਤੀਪੂਰਨ ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਹੈ

ਵਿਗਿਆਨ ਦੇ ਖੇਤਰ ਵਿੱਚ OpenAI ਦਾ ਕੰਮ ਇੱਕ ਸਾਧਾਰਨ ਸੋਚ 'ਤੇ ਟਿਕਿਆ ਹੋਇਆ ਹੈ: ਉੱਨਤ AI ਵਿਗਿਆਨੀਆਂ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਭਾਈਵਾਲ ਬਣ ਸਕਦਾ ਹੈ, ਜੋ ਉਨ੍ਹਾਂ ਨੂੰ ਹੋਰ ਵਿਚਾਰਾਂ ਦੀ ਖੋਜ ਕਰਨ, ਵੱਖ-ਵੱਖ ਸੰਕਲਪਾਂ ਨੂੰ ਆਪਸ ਵਿੱਚ ਜੋੜਨ, ਬਿਹਤਰ ਪ੍ਰਯੋਗ ਤਿਆਰ ਕਰਨ, ਅਤੇ ਮਨੁੱਖਤਾ ਦੇ ਭਲੇ ਲਈ ਨਵੀਆਂ ਖੋਜਾਂ ਦੀ ਗਤੀ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਗਣਿਤ ਦੇ ਖੇਤਰ ਵਿੱਚ ਨਵੇਂ ਨਤੀਜੇ ਲਿਆਉਣ ਵਾਲੇ ਮਾਡਲਾਂ ਦੀਆਂ ਸ਼ੁਰੂਆਤੀ ਉਦਾਹਰਣਾਂ ਪਹਿਲਾਂ ਹੀ ਸਾਂਝੀਆਂ ਕਰ ਚੁੱਕੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਯੂਨਿਟ ਡਿਸਟੈਂਸ ਪ੍ਰਾਬਲਮ⁠ 'ਤੇ ਕੀਤਾ ਗਿਆ ਕੰਮ, ਸਿਧਾਂਤਕ ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਗਲੂਆਨ ਐਂਪਲੀਟਿਊਡਸ⁠ 'ਤੇ ਇੱਕ ਨਵਾਂ ਨਤੀਜਾ, ਅਤੇ ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ, ਜਿੱਥੇ GPT‑5 ਨੇ ਸਵੈਚਾਲਿਤ ਲੈਬ ਵਿੱਚ ਸੈੱਲ-ਮੁਕਤ ਪ੍ਰੋਟੀਨ ਸੰਸ਼ਲੇਸ਼ਣ ਦੀ ਲਾਗਤ ਨੂੰ ਘਟਾਉਣ ⁠ਵਿੱਚ ਮਦਦ ਕੀਤੀ। ਅਸੀਂ GPT‑Rosalind⁠ ਵੀ ਪੇਸ਼ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਜੀਵਨ ਵਿਗਿਆਨ ਖੋਜ ਅਤੇ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਦੇ ਕੰਮਾਂ ਨੂੰ ਸੁਖਾਲਾ ਬਣਾਉਣ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਇੱਕ ਮਾਡਲ ਹੈ। 

ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੇ ਉਸੇ ਸਫ਼ਰ ਨੂੰ ਦਵਾਈਆਂ ਦੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਅੱਗੇ ਵਧਾਇਆ ਹੈ, ਜਿੱਥੇ ਤਰੱਕੀ ਨੂੰ ਸਿਰਫ਼ ਰੀਜ਼ਨਿੰਗ ਨਾਲ ਨਹੀਂ ਮਾਪਿਆ ਜਾ ਸਕਦਾ। ਕੋਈ ਵੀ ਪਰਿਕਲਪਨਾ ਉਦੋਂ ਹੀ ਸਹੀ ਮੰਨੀ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਉਹ ਅਸਲ ਅਣੂਆਂ, ਉਪਕਰਣਾਂ ਅਤੇ ਲੈਬ ਦੀਆਂ ਅਸਲ ਚੁਣੌਤੀਆਂ ਦੇ ਵਿਚਕਾਰ ਲੈਬ ਵਿੱਚ ਕਾਮਯਾਬ ਸਾਬਤ ਹੋਵੇ। Molecule.one⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੇ ਨਾਲ ਮਿਲ ਕੇ, ਅਸੀਂ GPT‑5.4 ਨੂੰ ਮਾਰੀਆ ਨਾਲ ਜੋੜਿਆ—ਜੋ ਕਿ ਸਵੈ-ਚਾਲਿਤ ਖੋਜ ਲਈ ਉੱਚ-ਸਮਰੱਥਾ ਵਾਲੀ ਲੈਬਾਰਟਰੀ ਨਾਲ ਜੁੜੀ ਕਾਰਜਸ਼ੀਲ ਰਸਾਇਣ ਵਿਗਿਆਨ AI ਹੈ—ਅਤੇ ਅਸੀਂ ਇਸ ਨੂੰ ਖੁੱਲ੍ਹਾ ਟੀਚਾ ਦਿੱਤਾ: ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਰਸਾਇਣਕ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ। ਇਸ ਪ੍ਰਣਾਲੀ ਨੇ ਖੁਦ ਖੋਜ ਪ੍ਰਸਤਾਵ ਤਿਆਰ ਕੀਤੇ, ਪ੍ਰਯੋਗ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਅਤੇ ਚਲਾਏ, ਪ੍ਰਯੋਗਾਂ ਦੇ ਅੰਕੜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਅਤੇ ਅਗਲੇ ਪ੍ਰਯੋਗਾਂ ਦੇ ਸੁਝਾਅ ਦਿੱਤੇ। ਮਨੁੱਖਾਂ ਨੇ ਪ੍ਰਣਾਲੀ ਨੂੰ ਸਹੀ ਦਿਸ਼ਾ ਦੇਣ ਅਤੇ ਪਰਖਣ ਵਾਲੇ ਪ੍ਰੌੰਪਟ ਤਿਆਰ ਕੀਤੇ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਖੋਜ ਪ੍ਰਸਤਾਵਾਂ ਦੀ ਚੋਣ ਕੀਤੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਨ੍ਹਾਂ ਨੇ ਪ੍ਰਯੋਗਾਂ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਵਿੱਚ ਲੋੜੀਂਦੇ ਸੁਧਾਰ ਕੀਤੇ, ਲੈਬ ਦੇ ਬੁਨਿਆਦੀ ਕੰਮਾਂ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਅਤੇ ਆਖਰੀ ਨਤੀਜਿਆਂ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ।

ਸਭ ਤੋਂ ਵੱਧ ਉਮੀਦ ਜਗਾਉਣ ਵਾਲੇ ਪ੍ਰਸਤਾਵ, OAI-M1-03 ਨੇ ਚੈਨ–ਲੈਮ ਕਪਲਿੰਗ ਦੇ ਮੁਸ਼ਕਲ ਪਰ ਬੇਹੱਦ ਲਾਹੇਵੰਦ ਰੂਪ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ, ਇਹ ਅਜਿਹੀ ਪ੍ਰਤੀਕਿਰਿਆ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਕਾਰਬਨ-ਨਾਈਟ੍ਰੋਜਨ ਬਾਂਡ ਬਣਾਉਣ ਲਈ ਕਰਦੇ ਹਨ। ਪ੍ਰੋਸੈਸ ਕੈਮਿਸਟਰੀ ਲਈ ਚੈਨ–ਲੈਮ ਕਪਲਿੰਗ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੇ ਖੁੱਲ੍ਹੇ ਟੀਚੇ ਤੋਂ ਸ਼ੁਰੂਆਤ ਕਰਦੇ ਹੋਏ, GPT‑5.4 ਨੇ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਾਇਮਰੀ ਸਲਫੋਨਾਮਾਈਡਜ਼ ਨੂੰ ਚੁਣੌਤੀਪੂਰਨ ਅਤੇ ਉੱਚ-ਮੁੱਲ ਵਾਲੇ ਸਬਸਟਰੇਟ ਵਰਗ ਵਜੋਂ ਪਛਾਣਿਆ ਅਤੇ ਇਹ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਟੈਂਪੋ ਸਮੇਤ ਹਲਕੇ ਆਕਸੀਡੈਂਟਸ ਇਸ ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ। 

ਮਾਰੀਆ ਲੈਬ ਵਿੱਚ ਪ੍ਰਯੋਗਾਂ ਦੇ ਦੋ ਗੇੜਾਂ ਦੌਰਾਨ ਇਸ ਵਿਚਾਰ ਨੇ ਵੱਡਾ ਸੁਧਾਰ ਦਿਖਾਇਆ। ਅਨੁਕੂਲਿਤ ਹਾਲਤਾਂ ਦੇ ਤਹਿਤ, ਪਰਖੇ ਗਏ 88% ਬੋਰੋਨਿਕ ਐਸਿਡਜ਼ ਅਤੇ 83% ਸਲਫੋਨਾਮਾਈਡਜ਼ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਦਰਜ ਕੀਤਾ ਗਿਆ। ਔਸਤ ਨਤੀਜਾ 16.6% ਤੋਂ ਵੱਧ ਕੇ 25.2% ਹੋ ਗਿਆ, ਅਤੇ 30% ਤੋਂ ਵੱਧ ਨਤੀਜਾ ਦੇਣ ਵਾਲੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦਾ ਹਿੱਸਾ 15.6% ਤੋਂ ਵਧ ਕੇ 37.5% ਹੋ ਗਿਆ। ਇਸ ਤੋਂ ਬਾਅਦ, ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੇ ਲੈਬ ਦੇ ਬੈਂਚ ਸਕੇਲ 'ਤੇ ਪ੍ਰਮੁੱਖ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨੂੰ ਦੁਹਰਾਇਆ। ਉਨ੍ਹਾਂ ਪ੍ਰਯੋਗਾਂ ਨੇ ਮਾਈਕ੍ਰੋਲੀਟਰ-ਪੈਮਾਨੇ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ, ਜਿਸ ਵਿੱਚ 14 ਵਿੱਚੋਂ 11 ਸਬਸਟਰੇਟ ਜੋੜਿਆਂ ਲਈ ਉੱਚੇ ਨਤੀਜੇ ਸਾਹਮਣੇ ਆਏ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇਹ ਵਾਧਾ ਦੋ ਗੁਣਾ ਤੋਂ ਵੀ ਵੱਧ ਸੀ। ਇਹ ਇਸ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਦਵਾਈਆਂ ਦੇ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਅਜਿਹੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਨਾ ਸਿਰਫ਼ ਮਾਈਕ੍ਰੋ-ਲੀਟਰ ਸਕ੍ਰੀਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨ, ਬਲਕਿ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਦੌਰਾਨ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵਿਹਾਰਕ ਲੈਬ ਕਾਰਜਾਂ ਵਿੱਚ ਵੀ ਕਾਰਗਰ ਸਾਬਤ ਹੋਣ।

ਦਵਾਈਆਂ ਦੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੇ ਇਸ ਖੇਤਰ ਵਿੱਚ ਸੁਧਾਰ ਖਾਸ ਤੌਰ 'ਤੇ ਉਤਸ਼ਾਹਜਨਕ ਹਨ ਕਿਉਂਕਿ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਵਿੱਚ ਰਸਾਇਣਕ ਤੌਰ 'ਤੇ ਅਣੂ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੀ ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਹੁੰਦੀ ਹੈ: ਵਿਗਿਆਨੀ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਹੀ ਅਣੂਆਂ ਦੀ ਪਰਖ ਕਰ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਉਹ ਬਣਾ ਸਕਦੇ ਹਨ ਜਾਂ ਕਿਸੇ ਹੋਰ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਸਲਫੋਨਾਮਾਈਡ ਗਰੁੱਪ ਕੈਂਸਰ ਵਿਰੋਧੀ ਦਵਾਈਆਂ, ਰੋਗਾਣੂਨਾਸ਼ਕ ਅਤੇ ਪਿਸ਼ਾਬ ਵਧਾਉਣ ਵਾਲੀਆਂ ਦਵਾਈਆਂ ਸਮੇਤ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਇਲਾਜ ਖੇਤਰਾਂ ਦੀਆਂ ਦਵਾਈਆਂ ਵਿੱਚ ਦੇਖਣ ਨੂੰ ਮਿਲਦਾ ਹੈ, ਫਿਰ ਵੀ ਬੋਰੋਨਿਕ ਐਸਿਡਾਂ ਦੇ ਨਾਲ ਪ੍ਰਾਇਮਰੀ ਸਲਫੋਨਾਮਾਈਡਾਂ ਦੀ ਚੈਨ–ਲੈਮ ਕਪਲਿੰਗ ਨੇ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਹਮੇਸ਼ਾ ਘੱਟ ਨਤੀਜੇ ਦਿੱਤੇ ਹਨ। ਪ੍ਰਤੀਕਿਰਿਆ ਦੇ ਇਸ ਰੂਪ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣਾ ਦਵਾਈਆਂ ਦੇ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਲਾਹੇਵੰਦ ਅਣੂਆਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ 'ਤੇ ਖੋਜ ਕਰਨ ਦਾ ਇੱਕ ਵਧੇਰੇ ਵਿਆਪਕ ਅਤੇ ਵਿਹਾਰਕ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।

ਭਾਵੇਂ ਇਹ ਅਜੇ ਸ਼ੁਰੂਆਤੀ ਨਤੀਜਾ ਹੈ, ਪਰ ਇਹ ਉਸ ਵਿਆਪਕ ਦਿਸ਼ਾ ਦੀ ਇੱਕ ਹੋਰ ਠੋਸ ਉਦਾਹਰਣ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜਿਸ ਵੱਲ ਅਸੀਂ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ: ਯਾਨੀ ਅਜਿਹੀਆਂ AI ਪ੍ਰਣਾਲੀਆਂ ਜੋ ਖੋਜ ਦੇ ਜ਼ਿਆਦਾਤਰ ਪੜਾਅ ਵਿੱਚ ਵਿਗਿਆਨੀਆਂ ਦੀਆਂ ਕੀਮਤੀ ਭਾਈਵਾਲ ਬਣ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਮਾਡਲ ਨੇ ਵਿਗਿਆਨਕ ਸਾਹਿਤ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਇੱਕ ਅਣਕਿਆਸਿਆ ਵਿਚਾਰ ਪੇਸ਼ ਕੀਤਾ, ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਅਤੇ ਅਜਿਹੀ ਵਿਗਿਆਨਕ ਖੋਜ ਤੱਕ ਪਹੁੰਚਿਆ ਜਿਸਦਾ ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੇ ਸਨ।

ਜੈਵਿਕ ਰਸਾਇਣ ਵਿਗਿਆਨ ਸਾਰੀਆਂ ਛੋਟੇ-ਅਣੂਆਂ ਵਾਲੀਆਂ ਦਵਾਈਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਖੇਤੀਬਾੜੀ, ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਅਤੇ ਪਦਾਰਥ ਵਿਗਿਆਨ ਦੇ ਉਤਪਾਦਾਂ ਦਾ ਮੁੱਖ ਆਧਾਰ ਹੈ। ਕੋਈ ਵੀ ਰਸਾਇਣਕ ਪ੍ਰਤੀਕਿਰਿਆ ਉਦੋਂ ਖਾਸ ਤੌਰ 'ਤੇ ਲਾਹੇਵੰਦ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਇਹ ਕਈ ਵੱਖ-ਵੱਖ ਸ਼ੁਰੂਆਤੀ ਪਦਾਰਥਾਂ ਦੇ ਵਿਚਕਾਰ ਭਰੋਸੇਮੰਦ ਤਰੀਕੇ ਨਾਲ ਇੱਕੋ ਜਿਹਾ ਰਸਾਇਣਕ ਜੋੜ ਬਣਾ ਸਕੇ। ਜਦੋਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਬਹੁਤ ਘੱਟ ਨਤੀਜੇ ਦਿੰਦੀਆਂ ਹਨ ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਣਚਾਹੇ ਉਪ-ਉਤਪਾਦ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਤਾਂ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਸ਼ਾਇਦ ਹੋਰ ਪੱਖਾਂ ਤੋਂ ਸ਼ਾਨਦਾਰ ਲੱਗਣ ਵਾਲੇ ਅਣੂਆਂ ਦਾ ਖਿਆਲ ਛੱਡਣਾ ਪੈਂਦਾ ਹੈ ਜਾਂ ਫਿਰ ਇੱਕ ਵੱਖਰਾ ਰਸਤਾ ਲੱਭਣ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲਗਾਉਣਾ ਪੈਂਦਾ ਹੈ। ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਰਸਾਇਣਕ ਤੌਰ 'ਤੇ ਅਣੂ ਬਣਾਉਣ ਦੀ ਇਹ ਪ੍ਰਕਿਰਿਆ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਵਿੱਚ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਰੁਕਾਵਟ ਬਣ ਜਾਂਦੀ ਹੈ: ਵਿਗਿਆਨੀ ਆਮ ਤੌਰ 'ਤੇ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਹੀ ਅਣੂਆਂ ਦੀ ਪਰਖ ਕਰ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਉਹ ਬਣਾ ਸਕਦੇ ਹਨ ਜਾਂ ਕਿਸੇ ਹੋਰ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ।

ਚੈਨ–ਲੈਮ ਕਪਲਿੰਗ ਦਵਾਈਆਂ ਦੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਬਹੁਤ ਲਾਹੇਵੰਦ ਹੈ ਕਿਉਂਕਿ ਇਹ ਕਾਰਬਨ-ਨਾਈਟ੍ਰੋਜਨ ਬਾਂਡ ਬਣਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਦਵਾਈਆਂ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਪਾਏ ਜਾਂਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਪ੍ਰਤੀਕਿਰਿਆ ਹਰ ਕਿਸਮ ਦੇ ਅਣੂ ਲਈ ਇੱਕੋ ਜਿਹੀ ਵਧੀਆ ਕੰਮ ਨਹੀਂ ਕਰਦੀ। ਖਾਸ ਤੌਰ 'ਤੇ, ਪ੍ਰਾਇਮਰੀ ਸਲਫੋਨਾਮਾਈਡਜ਼ ਨੂੰ ਬੋਰੋਨਿਕ ਐਸਿਡ ਨਾਲ ਜੋੜਨ 'ਤੇ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਬਹੁਤ ਘੱਟ ਨਤੀਜੇ ਮਿਲੇ ਹਨ। ਸਲਫੋਨਾਮਾਈਡਜ਼ ਅਣੂਆਂ ਦਾ ਇੱਕ ਬਹੁਤ ਹੀ ਮਹੱਤਵਪੂਰਨ ਪਰਿਵਾਰ ਹੈ, ਜੋ ਕੈਂਸਰ ਦੇ ਇਲਾਜ ਅਤੇ ਲਾਗ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਦਵਾਈਆਂ ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਪ੍ਰਤੀਕਿਰਿਆ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ ਨਾਲ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਲਾਹੇਵੰਦ ਅਣੂਆਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ 'ਤੇ ਖੋਜ ਕਰਨ ਦਾ ਵਧੇਰੇ ਵਿਆਪਕ ਅਤੇ ਵਿਹਾਰਕ ਤਰੀਕਾ ਮਿਲ ਸਕਦਾ ਹੈ।

ਇਸ ਸਾਂਝੀ ਪ੍ਰਣਾਲੀ ਨੇ ਇੱਕ-ਦੂਜੇ ਦੀਆਂ ਪੂਰਕ ਹੁਨਰਾਂ ਨੂੰ ਆਪਸ ਵਿੱਚ ਜੋੜਿਆ। ਮਾਰੀਆ AI ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਵਿਗਿਆਨੀਆਂ ਵੱਲੋਂ ਲਿਖੇ ਗਏ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਰਤੋਂ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਣਾਲੀ ਦੇ ਤਹਿਤ GPT‑5.4 ਨਾਲ ਕੀਤੀ ਗਈ, ਤਾਂ ਜੋ ਹਜ਼ਾਰਾਂ ਸੰਭਾਵਿਤ ਖੋਜ ਪ੍ਰਸਤਾਵਾਂ ਨੂੰ ਤਿਆਰ ਅਤੇ ਰੈਂਕ ਕੀਤਾ ਜਾ ਸਕੇ। ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੇ ਉਨ੍ਹਾਂ ਪ੍ਰਸਤਾਵਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਹਿੱਸੇ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪ੍ਰਣਾਲੀ ਅਨੁਸਾਰ ਸਭ ਤੋਂ ਉੱਚਾ ਰੈਂਕ ਮਿਲਿਆ ਸੀ ਅਤੇ ਲੈਬੋਰੇਟਰੀ ਵਿੱਚ ਟੈਸਟ ਕਰਨ ਲਈ ਚਾਰ ਪ੍ਰਸਤਾਵਾਂ ਦੀ ਚੋਣ ਕੀਤੀ। ਇਸ ਤੋਂ ਬਾਅਦ, ਮਾਰੀਆ AI ਨੇ ਚੁਣੀਆਂ ਗਈਆਂ ਉੱਚ-ਪੱਧਰੀ ਯੋਜਨਾਵਾਂ ਨੂੰ ਵਿਸਤ੍ਰਿਤ ਲੈਬ ਨਿਰਦੇਸ਼ਾਂ ਵਿੱਚ ਬਦਲਿਆ, ਹਜ਼ਾਰਾਂ ਉੱਚ-ਸਮਰੱਥਾ ਵਾਲੇ ਪ੍ਰਯੋਗ ਕੀਤੇ, ਕੱਚੇ ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਅਤੇ ਵਿਵਸਥਿਤ ਨਤੀਜੇ ਵਾਪਸ GPT‑5.4 ਨੂੰ ਭੇਜ ਦਿੱਤੇ। 

ਚੁਣੇ ਗਏ ਚਾਰ ਪ੍ਰਸਤਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ, OAI-M1-03 ਨੇ ਸਲਫੋਨਾਮਾਈਡ ਸੰਸ਼ਲੇਸ਼ਣ ਲਈ ਚੈਨ-ਲੈਮ ਪ੍ਰਤੀਕਿਰਿਆ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਟੈਂਪੋ ਵਰਗੇ ਹਲਕੇ ਆਕਸੀਡੈਂਟਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ। ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਇਹ ਸੁਝਾਅ ਹੈਰਾਨੀਜਨਕ ਅਤੇ ਦਿਲਚਸਪ ਦੋਵੇਂ ਲੱਗਿਆ। ਅਸੀਂ ਇਸ ਬਲੌਗ ਪੋਸਟ ਅਤੇ ਪੇਪਰ⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਵਿੱਚ OAI-M1-03 ਤੋਂ ਪ੍ਰਾਪਤ ਵਿਸਤ੍ਰਿਤ ਖੋਜਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰ ਰਹੇ ਹਾਂ।

ਇਸ ਤੋਂ ਬਾਅਦ, ਮਾਰੀਆ ਦੁਆਰਾ ਪ੍ਰਯੋਗਾਤਮਕ ਗਰਿੱਡ ਤਿਆਰ ਕਰਨ ਲਈ ਅੰਤਿਮ ਖੋਜ ਪ੍ਰਸਤਾਵ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ, ਜਿਸ ਵਿੱਚ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਮਾਮੂਲੀ ਸੁਧਾਰ ਕੀਤੇ ਗਏ ਸਨ। ਸਭ ਤੋਂ ਵੱਡਾ ਮਨੁੱਖੀ ਸੁਧਾਰ ਡਾਈਮੇਥਾਈਲ ਸਲਫੌਕਸਾਈਡ ਜਾਂ DMSO ਨੂੰ ਘੋਲਕ ਵਜੋਂ ਵਰਤਣ ਤੋਂ ਬਚਣਾ ਸੀ ਕਿਉਂਕਿ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਚਿੰਤਾ ਸੀ ਕਿ ਇਹ ਤੁਲਨਾ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਆਕਸੀਡੈਂਟਸ ਨਾਲ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ।

4 ਮਾਰਚ ਨੂੰ ਪਹਿਲੇ ਪ੍ਰੋਂਪਟ ਤੋਂ ਲੈ ਕੇ 4 ਜੂਨ ਨੂੰ ਸੁਤੰਤਰ ਮਾਹਿਰਾਂ ਨਾਲ OAI-M1-03 ਦੇ ਨਤੀਜੇ ਸਾਂਝੇ ਕਰਨ ਤੱਕ ਇਸ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਤਿੰਨ ਮਹੀਨੇ ਲੱਗੇ।

ਅਸੀਂ ਇਸ ਕਾਰਜ-ਪ੍ਰਣਾਲੀ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ ਨਹੀਂ, ਬਲਕਿ ਲਗਭਗ-ਖੁਦਮੁਖਤਿਆਰ ਵਜੋਂ ਦਰਸਾਉਂਦੇ ਹਾਂ ਕਿਉਂਕਿ ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੇ ਇਸ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲੇ ਲਏ। ਮਾਡਲ ਨੇ ਖੋਜ ਦੇ ਮੁੱਖ ਵਿਚਾਰ ਪੇਸ਼ ਕੀਤੇ, ਜਦੋਂ ਕਿ ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੇ ਉੱਚ-ਪੱਧਰੀ ਮਾਰਗਦਰਸ਼ਨ ਅਤੇ ਫੈਸਲੇ ਪ੍ਰਦਾਨ ਕੀਤੇ, ਪ੍ਰਯੋਗਾਤਮਕ ਵੇਰਵਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ, ਲੈਬ ਦੀਆਂ ਵਰਤੋਂ ਯੋਗ ਸਮੱਗਰੀਆਂ ਅਤੇ ਰੀਐਜੈਂਟਸ ਨੂੰ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਅਤੇ ਮੁੱਖ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਆਪਣੇ ਹੱਥੀਂ ਦੁਹਰਾਇਆ।

OAI-M1-03 ਨੇ ਟੈਂਪੋ ਨੂੰ ਇੱਥੇ ਅਧਿਐਨ ਕੀਤੀ ਗਈ ਪ੍ਰਾਇਮਰੀ ਸਲਫੋਨਾਮਾਈਡ ਚੈਨ-ਲੈਮ ਕਪਲਿੰਗ ਲਈ ਇੱਕ ਲਾਹੇਵੰਦ ਐਡਿਟਿਵ ਵਜੋਂ ਪਛਾਣਿਆ। ਅਨੁਕੂਲਿਤ ਸਥਿਤੀਆਂ ਦੇ ਤਹਿਤ, ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਸੁਧਾਰ ਹੋਇਆ: ਔਸਤ ਪੈਦਾਵਾਰ ਵਧ ਗਈ ਅਤੇ ਵਧੇਰੇ ਸਬਸਟਰੇਟ ਸੰਜੋਗ ਵਿਹਾਰਕ ਤੌਰ 'ਤੇ ਲਾਹੇਵੰਦ ਪੈਦਾਵਾਰ ਤੱਕ ਪਹੁੰਚ ਗਏ।

ਦੋ ਚੱਕਰਾਂ ਦੌਰਾਨ, ਮਾਰੀਆ ਨੇ ਕੁੱਲ 10,080 ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਕੀਤੀਆਂ – ਜੋ ਕਿ ਹਰ ਰੋਜ਼ ਤਿੰਨ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਕਰਨ ਵਾਲੇ ਇੱਕ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਦੁਆਰਾ ਇੱਕ ਦਹਾਕੇ ਵਿੱਚ ਕੀਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨਾਲੋਂ ਵੀ ਵੱਧ ਹਨ। ਇਹ ਪੈਮਾਨਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਸੀ ਕਿਉਂਕਿ ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੇ ਨਤੀਜੇ ਉਦੋਂ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦੇ ਹਨ ਜਦੋਂ ਉਨ੍ਹਾਂ ਦਾ ਸਿਰਫ਼ ਕੁਝ ਹੀ ਉਦਾਹਰਨਾਂ 'ਤੇ ਪ੍ਰੀਖਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਪ੍ਰਤੀਕਿਰਿਆ ਸ਼ੁਰੂਆਤੀ ਸਮੱਗਰੀ ਦੇ ਇੱਕ ਜੋੜੇ 'ਤੇ ਤਾਂ ਵਧੀਆ ਦਿਖਾਈ ਦੇ ਸਕਦੀ ਹੈ, ਪਰ ਅਣੂਆਂ ਦੇ ਇੱਕ ਵਿਆਪਕ ਸਮੂਹ 'ਤੇ ਅਸਫਲ ਹੋ ਸਕਦੀ ਹੈ। ਹਜ਼ਾਰਾਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨੇ ਦਸ ਪਰਖੇ ਗਏ ਆਕਸੀਡੈਂਟਸ ਵਿੱਚੋਂ ਟੈਂਪੋ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਵੱਖ-ਵੱਖ ਸੰਜੋਗਾਂ ਵਿੱਚ ਇਸ ਦੇ ਦੁਹਰਾਓ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਦੇਖਣਾ, ਅਤੇ ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਸੰਭਵ ਬਣਾਇਆ।

ਡਾਟਾ ਦੇ ਪਹਿਲੇ ਦੌਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਪ੍ਰਣਾਲੀ ਨੇ ਅਗਲੀਆਂ ਪਰਿਕਲਪਨਾਵਾਂ ਦੀ ਪਰਖ ਕਰਨ ਲਈ ਪ੍ਰਯੋਗਾਂ ਦੇ ਵਧੇਰੇ ਕੇਂਦ੍ਰਿਤ ਦੂਜੇ ਦੌਰ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ। ਇੱਕ ਲਾਹੇਵੰਦ ਅਗਲੀ ਖੋਜ ਇਹ ਸੀ ਕਿ ਟੈਂਪੋ ਨੂੰ ਇੱਕ ਬਹੁਤ ਸਸਤੇ ਐਨਾਲਾਗ, 4-ਹਾਈਡ੍ਰੋਕਸੀ-ਟੈਂਪੋ ਨਾਲ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਕਮੀ ਆਉਂਦੀ ਹੈ।

ਇਹ ਨਤੀਜਾ ਮਾਰੀਆ ਲੈਬ ਦੇ ਮਾਈਕ੍ਰੋਲੀਟਰ-ਪੈਮਾਨੇ ਦੇ ਪਰਖ ਫਾਰਮੈਟ ਤੋਂ ਬਾਹਰ ਵੀ ਸਹੀ ਸਾਬਤ ਹੋਇਆ। ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੇ ਬੈਂਚ-ਪੈਮਾਨੇ 'ਤੇ ਖੁਦ ਮੁੱਖ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨੂੰ ਦੁਹਰਾਇਆ ਅਤੇ 14 ਵਿੱਚੋਂ 11 ਸਬਸਟਰੇਟ ਜੋੜਿਆਂ ਲਈ ਪੈਦਾਵਾਰ ਵਿੱਚ ਵਾਧਾ ਦੇਖਿਆ; ਅੱਠ ਜੋੜਿਆਂ ਲਈ ਇਹ ਵਾਧਾ ਦੁੱਗਣੇ ਤੋਂ ਵੀ ਵੱਧ ਸੀ। ਇਹ ਦੁਹਰਾਓ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਬਹੁਤ ਛੋਟੇ ਪੱਧਰ 'ਤੇ ਕੀਤੇ ਗਏ ਪ੍ਰਯੋਗ ਕਦੇ-ਕਦੇ ਅਜਿਹੀਆਂ ਤਰੁੱਟੀਆਂ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਗਾਇਬ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਕਿਸੇ ਵਿਗਿਆਨਕ ਜਰਨਲ ਵਿੱਚ ਖੋਜ ਪ੍ਰਕਾਸ਼ਿਤ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਬੈਂਚ-ਪੈਮਾਨੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਵੀ ਇੱਕ ਰਵਾਇਤ ਹੈ।

ਚਾਰ ਬਾਹਰੀ ਰਸਾਇਣ ਵਿਗਿਆਨ ਮਾਹਿਰਾਂ ਨੇ OAI-M1-03 ਦਾ ਵਰਣਨ ਕਰਨ ਵਾਲੇ ਪ੍ਰੀਪ੍ਰਿੰਟ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ। ਉਨ੍ਹਾਂ ਦੇ ਮੁਲਾਂਕਣਾਂ ਨੇ ਸਾਡੇ ਇਸ ਵਿਚਾਰ ਦਾ ਸਮਰਥਨ ਕੀਤਾ ਕਿ ਇਹ ਨਤੀਜਾ ਨਵਾਂ ਸੀ ਅਤੇ ਵਿਗਿਆਨਕ ਭਾਈਚਾਰੇ ਨਾਲ ਸਾਂਝਾ ਕਰਨ ਦੇ ਯੋਗ ਸੀ। ਅਗਲੀ ਪ੍ਰੀਖਿਆ ਇਸ ਤੋਂ ਵੀ ਵਧੇਰੇ ਸਖ਼ਤ ਹੋਵੇਗੀ: ਕੀ ਸੁਤੰਤਰ ਲੈਬਾਂ ਇਸ ਨਤੀਜੇ ਨੂੰ ਦੁਹਰਾ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਕੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਇਸ ਨੂੰ ਅਣੂਆਂ ਦੇ ਵਧੇਰੇ ਵਿਆਪਕ ਦਾਇਰੇ ਵਿੱਚ ਲਾਹੇਵੰਦ ਪਾਉਂਦੇ ਹਨ।

ਤਿੰਨ ਮਹੀਨਿਆਂ ਦੀ ਮਿਆਦ ਦੌਰਾਨ GPT‑5.4 ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਅਤੇ ਮਾਰੀਆ ਦੁਆਰਾ ਪਰਖੇ ਗਏ ਬਾਕੀ ਤਿੰਨ ਪ੍ਰਸਤਾਵਾਂ ਵਿੱਚੋਂ OAI-M1-02 ਅਤੇ OAI-M1-04 ਮਾਰੀਆ ਲੈਬ ਵਿੱਚ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ 'ਤੇ ਸਹੀ ਸਾਬਤ ਹੋਏ ਸਨ, ਜਦੋਂ ਕਿ OAI-M1-01 ਗਲਤ ਸਾਬਤ ਹੋਇਆ ਸੀ। ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਜੇ ਚੱਲ ਰਿਹਾ ਹੈ।

ਇਹ ਕੰਮ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਾਡਲ ਜੈਵਿਕ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਲਾਹੇਵੰਦ ਯੋਗਦਾਨ ਪਾ ਸਕਦਾ ਹੈ। ਇਸ ਨੇ ਸਿਰਫ਼ ਸਾਹਿਤ ਦਾ ਸਾਰ ਪੇਸ਼ ਕਰਨ ਜਾਂ ਕਿਸੇ ਇੱਕ ਵਾਰ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਪ੍ਰਯੋਗ ਦਾ ਸੁਝਾਅ ਦੇਣ ਤੋਂ ਕਿਤੇ ਵੱਧ ਕੰਮ ਕੀਤਾ: ਇਸ ਨੇ ਇੱਕ ਖਾਸ ਹੈਰਾਨੀਜਨਕ ਪਰਿਕਲਪਨਾ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੱਤਾ ਅਤੇ ਇਸ ਨੂੰ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਲਈ ਸਾਹਮਣੇ ਲਿਆਂਦਾ, ਪ੍ਰਯੋਗਾਂ ਦੀ ਰੂਪ ਰੇਖਾ ਤਿਆਰ ਕੀਤੀ, ਪ੍ਰਯੋਗਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਅਤੇ ਅਗਲੇਰੇ ਪ੍ਰਯੋਗਾਂ ਦੀ ਰੂਪ ਰੇਖਾ ਤਿਆਰ ਕੀਤੀ।

ਇਹ ਇਹ ਨਹੀਂ ਦਰਸਾਉਂਦਾ ਕਿ AI ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਕਿਸੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਖੋਜ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਲੈ ਕੇ ਅੰਤ ਤੱਕ ਚਲਾ ਸਕਦਾ ਹੈ। ਮਨੁੱਖੀ ਨਿਰਣਾ ਜ਼ਰੂਰੀ ਰਿਹਾ ਅਤੇ ਕਾਰਜ-ਪ੍ਰਣਾਲੀ ਵਿਸ਼ੇਸ਼ ਉੱਚ-ਸਮਰੱਥਾ ਵਾਲੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ 'ਤੇ ਨਿਰਭਰ ਸੀ। ਇਹ ਇਹ ਵੀ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ ਕਿ ਇਹ ਤਰੀਕਾ ਹੋਰ ਕਪਲਿੰਗ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ, ਹੋਰ ਸਬਸਟਰੇਟ ਸ਼੍ਰੇਣੀਆਂ ਜਾਂ ਉਦਯੋਗਿਕ ਉਤਪਾਦਨ ਦੀਆਂ ਸਥਿਤੀਆਂ 'ਤੇ ਵੀ ਲਾਗੂ ਹੋਵੇਗਾ।

ਪੈਦਾਵਾਰ ਦੇ ਅਨੁਮਾਨ ਇੱਕ ਉੱਚ-ਸਮਰੱਥਾ ਵਾਲੇ ਪਲੇਟਫਾਰਮ ਤੋਂ ਪ੍ਰਾਪਤ ਹੋਏ ਸਨ ਅਤੇ ਬੈਂਚ ਦੀ ਪੁਸ਼ਟੀ ਵਿੱਚ 14 ਮੁੱਖ ਸਬਸਟਰੇਟ ਜੋੜਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ। ਪ੍ਰਤੀਕਿਰਿਆ ਦੀ ਕਾਰਜਵਿਧੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਮਝਣ, ਸਬਸਟਰੇਟ ਦੇ ਦਾਇਰੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ, ਵੱਖ-ਵੱਖ ਲੈਬੋਰੇਟਰੀ ਸਥਿਤੀਆਂ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਾਪਣ ਅਤੇ ਇਸ ਨਤੀਜੇ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਹਰਾਉਣ ਲਈ ਅਜੇ ਹੋਰ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਬਹੁਤ ਸਾਵਧਾਨੀ ਨਾਲ ਵਰਤਣ ਦੀ ਲੋੜ ਹੈ ਕਿਉਂਕਿ ਜਿਹੜੇ ਸਾਧਨ ਦਵਾਈਆਂ ਅਤੇ ਪਦਾਰਥ ਵਿਗਿਆਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਦੀ ਦੁਰਵਰਤੋਂ ਵੀ ਹੋ ਸਕਦੀ ਹੈ। ਅਸੀਂ ਜਾਣਬੁੱਝ ਕੇ ਇਸ ਕੰਮ ਨੂੰ ਇੱਕ ਜਾਇਜ਼ ਚਿਕਿਤਸਕ-ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੀ ਸਮੱਸਿਆ ਤੱਕ ਸੀਮਤ ਰੱਖਿਆ ਹੈ: ਦਵਾਈਆਂ ਵਰਗੇ ਅਣੂਆਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਜਾਣੀ-ਪਛਾਣੀ ਕਪਲਿੰਗ ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ। ਇਨ੍ਹਾਂ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਕੋਈ ਵੀ ਜ਼ਹਿਰੀਲੇ ਪਦਾਰਥ, ਰਸਾਇਣਕ ਹਥਿਆਰ ਜਾਂ ਨੁਕਸਾਨਦੇਹ ਮਿਸ਼ਰਣਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੀਆਂ ਬੇਨਤੀਆਂ ਸ਼ਾਮਲ ਨਹੀਂ ਸਨ। ਇਨ੍ਹਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਇਸ ਸਬੂਤ ਵਜੋਂ ਨਹੀਂ ਦੇਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਕਿ ਇਹ ਪ੍ਰਣਾਲੀ ਉਨ੍ਹਾਂ ਨੁਕਸਾਨਦੇਹ ਕਾਰਜਾਂ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੇ ਅਜਿਹੀ ਕੋਈ ਵੀ ਜਾਂਚ ਜਾਂ ਪ੍ਰਦਰਸ਼ਨ ਨਹੀਂ ਕੀਤਾ ਹੈ।

ਅਸੀਂ ਆਪਣੇ ਪ੍ਰਿਪੇਅਰਡਨੈਸ ਫ੍ਰੇਮਵਰਕ⁠ ਰਾਹੀਂ ਉੱਨਤ ਮਾਡਲ ਸਮਰੱਥਾਵਾਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਘੱਟ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਰਸਾਇਣਕ ਅਤੇ ਜੈਵਿਕ ਖੇਤਰਾਂ ਨਾਲ ਸਬੰਧਿਤ ਜੋਖਮ ਸ਼ਾਮਲ ਹਨ। ਇਸ ਕੰਮ ਵਿੱਚ ਵਰਤੇ ਗਏ ਮਾਡਲ ਦਾ ਪਹਿਲਾਂ ਹੀ ਯੂਕੇ AI ਸੁਰੱਖਿਆ ਸੰਸਥਾ ਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਚੁੱਕਾ ਸੀ, ਅਤੇ ਸਿਸਟਮ ਨੂੰ ਨੁਕਸਾਨਦੇਹ ਐਪਲੀਕੇਸ਼ਨਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਬੇਨਤੀਆਂ ਨੂੰ ਰੱਦ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਪ੍ਰਯੋਗਾਤਮਕ ਵਰਕਫਲੋਅ ਨੇ ਨਿਯੰਤਰਣ ਦੀ ਇੱਕ ਹੋਰ ਪਰਤ ਜੋੜ ਦਿੱਤੀ: ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੇ ਚੁਣਿਆ ਕਿ ਕਿਹੜੇ ਪ੍ਰਸਤਾਵ ਲੈਬ ਵਿੱਚ ਜਾਣਗੇ, ਪ੍ਰਯੋਗਾਤਮਕ ਯੋਜਨਾਵਾਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਅਤੇ ਭੌਤਿਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ 'ਤੇ ਆਪਣਾ ਨਿਯੰਤਰਣ ਬਣਾਈ ਰੱਖਿਆ।

ਸਾਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਐਕਸਪੈਰੀਮੈਂਟਲ ਕੈਮਿਸਟਰੀ ਵਿੱਚ AI ਦੀ ਸਮਰੱਥਾ ਦਾ ਅਧਿਐਨ ਕਰਨ ਦਾ ਇਹ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਤਰੀਕਾ ਹੈ: ਇੱਕ ਅਜਿਹਾ ਪ੍ਰੋਬਲਮ ਸਪੇਸ ਚੁਣੋ ਜਿਸਦਾ ਸਪਸ਼ਟ ਵਿਗਿਆਨਕ ਮੁੱਲ ਹੋਵੇ, ਮਾਡਲ-ਪੱਧਰ ਦੇ ਸੇਫਗਾਰਡਸ ਨੂੰ ਮਾਹਰਾਂ ਦੀ ਨਿਗਰਾਨੀ ਨਾਲ ਜੋੜੋ ਅਤੇ ਸੀਮਤ ਫਿਜ਼ੀਕਲ ਐਕਸਪੈਰੀਮੈਂਟਸ ਰਾਹੀਂ ਪ੍ਰਣਾਲੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਜਿਵੇਂ-ਜਿਵੇਂ ਇਹ ਸਮਰੱਥਾਵਾਂ ਬਿਹਤਰ ਹੋਣਗੀਆਂ, ਅਸੀਂ ਉੱਭਰ ਰਹੇ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ, ਸੇਫਗਾਰਡਸ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨਾ ਅਤੇ ਨਤੀਜਾ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ ਦਰਸਾਉਂਦਾ, ਇਸ ਬਾਰੇ ਸਪਸ਼ਟ ਹੋਣਾ ਜਾਰੀ ਰੱਖਾਂਗੇ।

ਇਸ ਤੋਂ ਤੁਰੰਤ ਬਾਅਦ ਦੇ ਅਗਲੇ ਕਦਮ ਵਿਗਿਆਨਕ ਹਨ: ਸ਼ੁਰੂਆਤੀ ਸਮੱਗਰੀਆਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਦਾਇਰੇ ਦਾ ਪਰੀਖਣ ਕਰਨਾ, ਇਹ ਜਾਂਚ ਕਰਨਾ ਕਿ ਐਡੀਟਿਵਜ਼ ਪ੍ਰਤੀਕਿਰਿਆ ਵਿੱਚ ਕਿਵੇਂ ਸੁਧਾਰ ਕਰਦੇ ਹਨ, ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਕਿ ਇਹ ਪ੍ਰਭਾਵ ਕਿੱਥੇ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਕਿੱਥੇ ਅਸਫਲ ਹੁੰਦਾ ਹੈ ਅਤੇ ਸੁਤੰਤਰ ਦੁਹਰਾਓ ਦਾ ਸਮਰਥਨ ਕਰਨਾ। ਇਹ ਸਾਰੇ ਅਧਿਐਨ ਮਿਲ ਕੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਗੇ ਕਿ ਇਸ ਵਿਧੀ ਨੂੰ ਕਿੰਨੇ ਵਿਆਪਕ ਪੱਧਰ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਵਿਹਾਰਕ ਚਿਕਿਤਸਕ-ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ ਇਹ ਕਿੰਨਾ ਉਪਯੋਗੀ ਹੈ।

ਸਾਡਾ ਲੰਬੇ ਸਮੇਂ ਦਾ ਟੀਚਾ AI ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਵਿਗਿਆਨਕ ਭਾਈਵਾਲ ਬਣਾਉਣਾ ਹੈ ਜੋ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਪਰਿਕਲਪਨਾਵਾਂ ਤਿਆਰ ਕਰਨ, ਪ੍ਰਯੋਗਾਂ ਦੀ ਰੂਪ ਰੇਖਾ ਬਣਾਉਣ, ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਅਤੇ ਅੱਗੇ ਕੀ ਪਰਖਣਾ ਹੈ ਇਹ ਫੈਸਲਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ, ਜਦੋਂ ਕਿ ਉਹ ਮਾਹਰਾਂ ਦੇ ਫੈਸਲਿਆਂ, ਭਰੋਸੇਯੋਗ ਮਾਪਦੰਡਾਂ ਅਤੇ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਪ੍ਰਬੰਧਾਂ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਰਹਿਣ। ਜੈਵਿਕ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਉੱਚ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਖੇਤਰ ਹੈ ਕਿਉਂਕਿ ਛੋਟੇ-ਅਣੂਆਂ ਦੀ ਖੋਜ ਅਤੇ ਉਤਪਾਦਨ ਵਿੱਚ ਪ੍ਰਗਤੀ, ਅਣੂਆਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਬਣਾਉਣ ਦੇ ਸਮਰੱਥ ਹੋਣ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਵਿਗਿਆਨੀ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਅਣੂਆਂ ਦਾ ਹੀ ਪਰੀਖਣ ਕਰ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਉਹ ਬਣਾ ਸਕਦੇ ਹਨ ਅਤੇ ਬਿਹਤਰ ਸੰਸ਼ਲੇਸ਼ਣ ਉਨ੍ਹਾਂ ਵਿਚਾਰਾਂ ਦੇ ਦਾਇਰੇ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਉਹ ਦਵਾਈ, ਖੇਤੀਬਾੜੀ, ਇਲੈਕਟ੍ਰੌਨਿਕਸ, ਊਰਜਾ ਅਤੇ ਪਦਾਰਥ ਵਿਗਿਆਨ ਵਿੱਚ ਖੋਜ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਨਤੀਜਾ ਉਸ ਵਿਆਪਕ ਦਿਸ਼ਾ ਦਾ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਉਦਾਹਰਣ ਹੈ: ਇੱਕ ਅਤਿ-ਆਧੁਨਿਕ ਮਾਡਲ, ਵਿਸ਼ੇਸ਼ ਏਜੰਟ, ਇੱਕ ਸਵੈਚਾਲਿਤ ਲੈਬੋਰੇਟਰੀ ਅਤੇ ਮਨੁੱਖੀ ਰਸਾਇਣ ਵਿਗਿਆਨੀ ਖੋਜ ਚੱਕਰ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣ ਲਈ ਅਤੇ ਅਜਿਹੀਆਂ ਖੋਜਾਂ ਪੈਦਾ ਕਰਨ ਲਈ ਮਿਲ ਕੇ ਕੰਮ ਕਰ ਰਹੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਵਿਗਿਆਨਕ ਭਾਈਚਾਰਾ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦਾ ਹੈ, ਦੁਹਰਾ ਸਕਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਅੱਗੇ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ।

ਅਸੀਂ Molecule.one ਦੀ ਟੀਮ ਅਤੇ ਇਸ ਕੰਮ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਵਾਲੇ ਸੁਤੰਤਰ ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਦੇ ਧੰਨਵਾਦੀ ਹਾਂ।