Nature Machine Intelligence a publié une étude consacrée à l’application des modèles linguistiques pour le choix du prochain candidat dans des tâches expérimentales. Dans la description du travail, il est indiqué que l’entraînement à l’aide de fonctions objectifs bayésiennes permet d’utiliser ces modèles comme des optimiseurs guidés par le langage naturel.
Les auteurs envisagent des tâches allant de l’optimisation des réactions à la conception moléculaire. Il est souligné que l’optimisation bayésienne offre un moyen principiel de sélectionner le prochain essai, mais dépend généralement d’un niveau d’expertise qui est difficilement transférable entre les domaines.
L’objectif pratique du travail est de tenter d’obtenir des estimations d’incertitude calibrées à partir des modèles linguistiques, et non seulement des connaissances scientifiques. Cependant, le matériel fourni contient uniquement une description éditoriale et ne divulgue pas les résultats expérimentaux, les comparaisons avec des méthodes de base ou les limites de l’approche.
commentaire éditorial
Pourquoi c’est important
Si les résultats se confirment dans le texte intégral et les essais pratiques, le prochain signal observé sera la publication de données comparatives sur la qualité du choix des expériences et sur l’étalonnage de l’incertitude. Une incertitude substantielle demeure: le matériel d’origine ne communique pas sur les métriques, l’échelle de vérification et l’efficacité réelle en laboratoire.