[论文解读] Toward Human-AI Co-creation to Accelerate Material Discovery

Dmitry Yu. Zubarev, Carlos Raoni Mendes+6 more|arXiv (Cornell University)|Nov 5, 2022

Machine Learning in Materials Science被引用 4

一句话总结

本文提出了一种人机协同创作工作台框架，通过在生成建模、数据集筛选、分子裁定和风险评估四项核心活动中整合专家知识与AI驱动工具，加速材料发现。该系统通过结构化的基于网络的界面，实现主题专家（SMEs）与AI代理之间的迭代式、知识丰富的协作，捕捉并复用专家判断，从而提高发现效率并降低机会成本。

ABSTRACT

There is an increasing need in our society to achieve faster advances in Science to tackle urgent problems, such as climate changes, environmental hazards, sustainable energy systems, pandemics, among others. In certain domains like chemistry, scientific discovery carries the extra burden of assessing risks of the proposed novel solutions before moving to the experimental stage. Despite several recent advances in Machine Learning and AI to address some of these challenges, there is still a gap in technologies to support end-to-end discovery applications, integrating the myriad of available technologies into a coherent, orchestrated, yet flexible discovery process. Such applications need to handle complex knowledge management at scale, enabling knowledge consumption and production in a timely and efficient way for subject matter experts (SMEs). Furthermore, the discovery of novel functional materials strongly relies on the development of exploration strategies in the chemical space. For instance, generative models have gained attention within the scientific community due to their ability to generate enormous volumes of novel molecules across material domains. These models exhibit extreme creativity that often translates in low viability of the generated candidates. In this work, we propose a workbench framework that aims at enabling the human-AI co-creation to reduce the time until the first discovery and the opportunity costs involved. This framework relies on a knowledge base with domain and process knowledge, and user-interaction components to acquire knowledge and advise the SMEs. Currently,the framework supports four main activities: generative modeling, dataset triage, molecule adjudication, and risk assessment.

研究动机与目标

• 解决端到端材料发现中的低效与瓶颈问题，特别是缺乏协调AI与专家知识的集成平台。
• 通过实现SME与AI代理之间的持续协作工作流，减少发现时间与机会成本。
• 通过统一的软件框架，系统化地捕捉并复用整个发现生命周期（从假设生成到结论推导）中的知识。
• 通过在生成过程中嵌入专家驱动的风险评估与置信度-可能性推理，提高AI生成材料的可行性。
• 开发一个灵活、可扩展的平台，支持多样化的材料发现应用场景，包括聚合物、金属有机框架和生物质基材料。

提出的方法

• 该框架以基于网络的发现工作台（DWb）形式实现，将多种AI与专家工具整合到单一、协调的工作流中。
• 支持四项关键活动：用于新型分子设计的生成建模、用于质量筛选的数据集筛选、用于专家验证的分子裁定，以及基于置信度-可能性图的风险评估。
• 置信度-可能性图根据LOK（知识水平）约束POS（成功概率）评估，防止在低知识情景下过度自信，并在高知识情况下强制高置信度。
• 专家评估通过相似性加权参考（蓝色方块）可视化，而同行评审评估则使用共识圆圈以减少偏见并提高透明度。
• 系统在整个发现生命周期中追踪并复用知识，支持反馈回路，使风险评估能够指导并校准生成模型。
• 该平台旨在支持增量式知识库维护，并实现最小SME干预下的多智能体AI协调。

实验结果

研究问题

• RQ1 人机协同创作框架如何在材料科学中减少发现时间与机会成本？
• RQ2 哪些机制能够实现在整个发现生命周期中有效整合专家知识与AI工具？
• RQ3 置信度-可能性图如何提高材料发现中专家风险评估的可靠性？
• RQ4 被捕捉的专家知识在哪些方面可被重用于指导和校准AI生成模型？
• RQ5 哪些设计原则能够支持科学发现中协同、可解释且可扩展的人机交互？

主要发现

• 发现工作台（DWb）框架支持构建端到端发现应用，实现更高的系统化水平与AI工具的灵活集成。
• PAG（聚合物、添加剂、玻璃）发现应用的初步部署表明，通过结构化工作流编排，实现了发现加速与知识管理增强。
• 置信度-可能性图成功根据LOK（知识水平）约束了专家对POS（成功概率）的评估，减少了在不确定情况下的过度自信。
• 使用共识圆圈的同行评审评估有助于减少个体偏见，使决策过程更加透明且具有可辩护性。
• 通过结构化评估捕捉并以相似性参考可视化专家知识，提高了发现迭代过程中的一致性与可重用性。
• 该框架支持从风险评估到生成模型的迭代反馈，从而提高了生成可行、高潜力候选物的可能性。