కానీ ఆ దేశంలోని కొన్ని పరిశోధనా సంస్థలు AI ను మరో సవాలుకు వర్తింపజేస్తున్నాయి: శాస్త్రీయ ప్రయోగాలు.
ఒక కొత్త పదార్థాన్ని అభివృద్ధి చేయడానికి తరచుగా వందల సాధ్యమైన కలయికలను పరిశీలించాల్సి ఉంటుంది. ప్రతి అభ్యర్థి పదార్థాన్ని సిద్ధం చేసి, పరీక్షించి, కొలవాలి, ఆ తర్వాతే అది ఉపయోగకరమో కాదో పరిశోధకులు నిర్ధారించగలరు.
శాస్త్రవేత్తలు ప్రతి అవకాశాన్నీ పరీక్షించలేరు. ఎక్కడ ప్రయత్నాలను కేంద్రీకరించాలో వారు ఎంచుకోవాలి.
చైనాలోని పరిశోధకులు AI ను robotic పరికరాలతో కలిపే ప్రయోగశాలలను అభివృద్ధి చేస్తున్నారు, ఈ ప్రక్రియకు సహాయంగా. సాఫ్ట్‌వేర్ మునుపటి ఫలితాలను పరిశీలించి ఆశాజనకమైన ప్రయోగాలను సూచించగలదు, అదే సమయంలో యంత్రాలు పదార్థాలను సిద్ధం చేసి పరీక్షలు నిర్వహిస్తాయి.
ఉద్దేశం శాస్త్రవేత్తలను భర్తీ చేయడం కాదు. ప్రయోగాత్మక ప్రక్రియలోని కొన్ని భాగాలను మరింత అనుసంధానితంగా, సమర్థవంతంగా మార్చడం.
University of Science and Technology of China (USTC) మరియు Chinese Academy of Sciences చేస్తున్న పరిశోధనలు ఈ విధానం ఎలా అభివృద్ధి చెందుతోందో కొన్ని ఉదాహరణలు చూపుతాయి.
USTC యొక్క AI-Chemist: AI ను భౌతిక ప్రయోగాలతో అనుసంధానించడం
2022లో USTC మరియు సహకార సంస్థల పరిశోధకులు AI-Chemist ను పరిచయం చేశారు. ఇది AI సాఫ్ట్‌వేర్, ఒక mobile robot మరియు 14 ఆటోమేటెడ్ ప్రయోగశాల workstations కలిపే వ్యవస్థ.
చిత్రం: Maggie Bartlett, National Human Genome Research Institute, పబ్లిక్ డొమైన్, Wikimedia Commons ద్వారా
వేర్వేరు workstations రసాయనాలను సిద్ధం చేశాయి, ప్రయోగాలు నిర్వహించాయి, ఫలితాలను కొలిచాయి. Robot నమూనాలను పరికరాల మధ్య తరలించింది.
ముఖ్యమైన అభివృద్ధి ఏమిటంటే ఈ కార్యకలాపాలు ఎలా కలిసి పనిచేశాయి.
ఒక స్థిర సూచనల క్రమాన్ని అనుసరించడానికి బదులుగా, వ్యవస్థ ప్రయోగ కొలతలు మరియు గణన నమూనాలను ఉపయోగించి తదుపరి ఏమి పరీక్షించాలో గుర్తించగలిగింది.
ఒక ప్రదర్శనలో, పరిశోధకులు ఎలక్ట్రోకెమిస్ట్రీలో ముఖ్యమైన ఒక రసాయన చర్య కోసం లోహాల కలయికలను పరిశీలించారు.
వారు 207 భౌతిక ప్రయోగాలతో ప్రారంభించారు. ఆ కొలతలు ప్రతి అవకాశాన్నీ పరీక్షించకుండానే ఇతర ఆశాజనకమైన కలయికలను గుర్తించడంలో వ్యవస్థకు సహాయపడ్డాయి.
పరిశోధకులు ఫ్లోరోసెంట్ సమ్మేళనాలు మరియు కాంతి సహాయంతో జరిగే చర్యలకు మద్దతు ఇచ్చే పదార్థాలపై కూడా ప్రయోగశాలను ప్రదర్శించారు.
ఈ ప్రయోగాలు ఒకే ప్రయోగశాల వేదికలో అనేక రకాల రసాయన పరిశోధనలతో AI-assisted ప్రణాళికను అనుసంధానించవచ్చని చూపించాయి.
| అంశం | నివేదించబడింది | పరిమితి |
|---|---|---|
| సెటప్ | synthesis, characterization మరియు performance పరీక్షల కోసం mobile robot మరియు 14 ఆటోమేటెడ్ workstations | workflows ప్రయోగశాలలో నిర్వచించబడ్డాయి |
| మొదటి అధ్యయనం | ఐదు non-precious metals తో 207 ప్రయోగాలు, robot అమలు చేసింది | ఒక electrochemistry సంబంధిత చర్యపై దృష్టి |
| ప్రదర్శనలు | ఫ్లోరోసెంట్ సమ్మేళనాలు మరియు కాంతి చర్యలకు మద్దతు ఇచ్చే పదార్థాలు | ఫలితాలు రచయితల సొంత ప్రయోగశాల నుండి |
| ముఖ్య సామర్థ్యం | కొలతలు తదుపరి ప్రయోగాలను ఎంచుకోవడంలో సహాయపడ్డాయి | ప్రతి రసాయన పనినీ ఆటోమేట్ చేయగలదని నిరూపణ కాదు |
ఫలితాలు పరిశోధకుల సొంత ప్రయోగాత్మక వాతావరణం నుండి వచ్చాయి. AI-Chemist ప్రతి రకమైన రసాయన పరిశోధనను చేయగలదని అవి నిరూపించలేదు.
అయినప్పటికీ, ఈ ప్రాజెక్ట్ ఒక ముఖ్యమైన సామర్థ్యాన్ని చూపింది: తదుపరి ప్రయోగశాల పనిని మార్గనిర్దేశం చేయడానికి నిజమైన ప్రయోగాల నుండి వచ్చిన సమాచారాన్ని ఉపయోగించడం.
మూలం: An All-Round AI-Chemist with a Scientific Mind, National Science Review, 2022
హెఫీ నుండి మార్స్ వరకు: ఒక అసాధారణ ప్రయోగం
USTC పరిశోధన బృందం తర్వాత ఈ విధానాన్ని మరింత అసాధారణ సమస్యపై ప్రదర్శించింది.
2023లో పరిశోధకులు Nature Synthesis లో ఒక అధ్యయనాన్ని ప్రచురించారు. దాంట్లో వారి robotic AI chemist Martian meteorites ఉపయోగించి ఒక catalyst అభివృద్ధిలో ఎలా సహాయపడిందో వివరించారు.
Catalyst అంటే ఒక రసాయన చర్యను సులభతరం లేదా సమర్థవంతం చేసే పదార్థం.
పరిశోధకులు నీటి నుండి ఆక్సిజన్ ఉత్పత్తికి తోడ్పడే catalysts కోసం వెతుకుతున్నారు.
అలాంటి సాంకేతికత భవిష్యత్తులో అంతరిక్ష అన్వేషణకు ఉపయోగపడవచ్చు, అక్కడ ఉపయోగకరమైన వనరులను స్థానికంగా ఉత్పత్తి చేయడం భూమి నుంచి అన్నింటినీ తీసుకెళ్లాల్సిన అవసరాన్ని తగ్గించవచ్చు.
బృందం AI-assisted లెక్కలు మరియు ప్రయోగశాల పరీక్షలను ఉపయోగించి లక్షలాది సాధ్యమైన పదార్థ కలయికలను పరిశీలించింది.
వ్యవస్థ ఒక catalyst ను ఎంచుకోవడంలో సహాయపడింది, దాన్ని తర్వాత సిద్ధం చేసి పరీక్షించారు.
చిత్రం: NASA, పబ్లిక్ డొమైన్, Wikimedia Commons ద్వారా
ప్రయోగం భూమిపైనే జరిగింది, Martian meteorites ను ఉపయోగించి. ఇది మార్స్‌పై ప్రయోగశాలను నడపడం కాదు, లేదా పూర్తి ఆక్సిజన్ ఉత్పత్తి వ్యవస్థను అంతరిక్ష మిషన్‌కు సిద్ధంగా ఉన్నట్లు చూపడం కాదు.
| ప్రశ్న | సమాధానం | పరిమితి |
|---|---|---|
| ప్రయోగం ఎక్కడ జరిగింది? | భూమిపై, Martian meteorites ఉపయోగించి | మార్స్‌పై ప్రయోగశాల కాదు |
| ఏమి శోధించబడింది? | వ్యాసం ప్రకారం లక్షలాది సాధ్యమైన పదార్థ కలయికలు | ప్రతి కలయికనూ ప్రయోగశాలలో పరీక్షించలేదు |
| ఏమి తయారైంది? | AI-assisted లెక్కలు మరియు ప్రయోగశాల పరీక్షలతో ఎంపికైన ఆక్సిజన్ ఉత్పత్తి catalyst | పూర్తి మిషన్ ఆక్సిజన్ వ్యవస్థ కాదు |
| ఇది ఎందుకు ముఖ్యం? | అంతరిక్షంలో స్థానిక వనరుల ఉత్పత్తి భూమి నుంచి తీసుకెళ్లాల్సిన అవసరాన్ని తగ్గించవచ్చు | భవిష్యత్ ప్రాసంగికత, ఇప్పటికి ప్రదర్శించిన మిషన్ సామర్థ్యం కాదు |
ఈ పని ప్రత్యేకంగా నిలవడానికి కారణం అది పరిష్కరించిన శాస్త్రీయ సమస్య.
ఆచరణలో అసాధ్యమైన పెద్ద సంఖ్యలో పదార్థ అవకాశాలను పరిశీలించడానికి పరిశోధకులు AI మరియు robotic ప్రయోగాలను ఉపయోగించారు.
ఇది వారి ప్రయోగశాల విధానాన్ని సాధారణ రసాయన పరీక్షలకు మించి, ప్రత్యేకమైన పదార్థాభివృద్ధి సమస్యకు కూడా వర్తింపజేయగలదని చూపింది.
షెన్‌జెన్ MARS: materials పరిశోధనలోకి AI agents
Chinese Academy of Sciences లో భాగమైన Shenzhen Institutes of Advanced Technology నుంచి మరో అభివృద్ధి వచ్చింది.
2026 జనవరిలో ఇన్స్టిట్యూట్ మరియు సహకార సంస్థల నేతృత్వంలోని పరిశోధకులు MARS అనే వ్యవస్థను వివరించారు.
AI-Chemist computational models ను robotic పరికరాలతో కలిపితే, MARS పరిశీలించింది: బహుళ AI agents శాస్త్రీయ పనిలోని వేర్వేరు భాగాలను ఎలా సమన్వయం చేయగలవు.
| ఏజెంట్ సమూహం | పాత్ర |
|---|---|
| Orchestrator | ఇతర సమూహాలను సమన్వయం చేస్తుంది |
| Scientist | జ్ఞానాన్ని వెతికి పరిష్కార డిజైన్లు రూపొందిస్తుంది |
| Engineer | డిజైన్లను ప్రయోగ ప్రోటోకాల్స్‌గా మారుస్తుంది |
| Executor | robotic పరికరాలను నియంత్రిస్తుంది |
| Analyst | డేటాను విశ్లేషించి ఆప్టిమైజేషన్ ప్రణాళిక చేస్తుంది |
కొన్ని agents ఇప్పటికే ఉన్న పరిశోధనను పరిశీలించి ప్రయోగాలను ప్రణాళిక చేయడంలో సహాయపడ్డాయి. మరికొన్ని ఆ ప్రణాళికలను ప్రయోగశాల పరికరాలకు సూచనలుగా మార్చాయి లేదా ఫలితాలను విశ్లేషించాయి.
పరిశోధకులు ఈ వ్యవస్థను perovskites ఉపయోగించి ప్రదర్శించారు. ఇవి సౌర ఘటాలు మరియు ఎలక్ట్రానిక్స్ వంటి అనువర్తనాల కోసం అధ్యయనం చేయబడే పదార్థాలు.
చిత్రం: Kttimliu, CC BY-SA 4.0, Wikimedia Commons ద్వారా (licence)
కొన్ని perovskites తేమకు సున్నితంగా ఉంటాయి, కాబట్టి వాటి స్థిరత్వం ఒక ముఖ్యమైన పరిశోధనా సమస్య.
ఒక ప్రయోగంలో, MARS perovskite nanocrystals తయారీని పది ప్రయోగాత్మక రౌండ్లలో మెరుగుపరచడంలో సహాయపడింది.
మరో ప్రయోగంలో, పదార్థం నీటికి ఎంత నిరోధకంగా ఉంటుందో మెరుగుపరచడానికి ఉద్దేశించిన రక్షణ నిర్మాణాన్ని అభివృద్ధి చేయడంలో సహాయపడింది.
ఆ నిర్దిష్ట డిజైన్ ప్రక్రియను సుమారు 3.5 గంటల్లో పూర్తి చేసినట్లు పరిశోధకులు నివేదించారు. ఆ అంచనా పరిశోధనా బృందం సొంత నివేదికపై ఆధారపడినది. నివేదించిన మెరుగుదల యొక్క స్వతంత్ర పునరుత్పత్తి ఇంకా స్థాపించబడలేదు.
ముఖ్యమైన సహకారం AI agents, శాస్త్రీయ సాధనాలు మరియు robotic ప్రయోగాల మధ్య అనుసంధానం.
MARS language models ను ఉపయోగిస్తుంది, కానీ దాని లక్ష్యం మెరుగైన సంభాషణ సమాధానాలు ఇవ్వడం కాదు. ఆ మోడళ్లు చివరికి భౌతిక ప్రయోగాల ద్వారా పరీక్షించాల్సిన పనిని సమన్వయం చేయడంలో సహాయపడతాయి.
ఒక పెరుగుతున్న పరిశోధనా దిశ, ఒంటరి ప్రయోగం కాదు
ఈ ప్రాజెక్టులు చైనా శాస్త్రీయ పరిశోధనా సమాజంలోని విస్తృత కార్యకలాపంలో భాగం.
2025లో Digital Discovery లో ప్రచురితమైన ఒక perspective, రసాయన సంశ్లేషణ, పదార్థాల తయారీ మరియు ప్రయోగాత్మక పరీక్షలకు సంబంధించిన వ్యవస్థలతో సహా చైనాలోని అనేక autonomous laboratory అభివృద్ధులను సమీక్షించింది.
కొన్ని ప్రాజెక్టులు robotic పరికరాలను computational పద్ధతులతో కలపడంపై దృష్టి పెట్టాయి. మరికొన్ని AI శాస్త్రీయ సమాచారాన్ని అర్థం చేసుకోవడానికి మరియు ప్రయోగాలను సమన్వయం చేయడానికి ఎలా సహాయపడగలదో పరిశీలించాయి.
ఈ perspective AI-Chemist మరియు MARS కు మించి విస్తరించిన కార్యకలాపానికి ఆధారం చూపుతుంది, అయితే చర్చించిన ప్రతి వ్యవస్థ పనితీరును ఇది స్వతంత్రంగా ధృవీకరించదు.
చైనా మాత్రమే ఈ రంగంలో పనిచేయడం లేదు.
ఇతర దేశాల పరిశోధకులు machine learning ను laboratory automation తో కలిపే పోల్చదగిన విధానాలను ప్రదర్శించారు.
కాబట్టి చైనీస్ పని ప్రాముఖ్యత ఈ రంగాన్ని చైనా కనిపెట్టిందని కాదు. దాని విశ్వవిద్యాలయాలు మరియు పరిశోధనా సంస్థలు రసాయన శాస్త్రం మరియు పదార్థ శాస్త్రంలోని అనేక రంగాలలో ఆచరణాత్మక ప్రయోగాత్మక వ్యవస్థలను అందిస్తున్నాయని అది.
పరిశోధనా ప్రదర్శనల నుండి నమ్మదగిన ప్రయోగశాలల వరకు
ప్రచురించిన ప్రయోగాలు చైనీస్ పరిశోధనా బృందాలు AI-assisted నిర్ణయాలను భౌతిక ప్రయోగశాల పనితో అనుసంధానించాయని స్థాపిస్తాయి.
కానీ ఒక ప్రయోగశాలలో ఒక వ్యవస్థను ప్రదర్శించడం, అనేక పరిశోధనా వాతావరణాలలో దానిని నమ్మదగినదిగా చేయడం వేర్వేరు విషయాలు.
పరికరాలు సంస్థల మధ్య మారుతాయి. ప్రయోగ ఫలితాలు తయారీ పద్ధతులు, ఉష్ణోగ్రతలు, పరికర సెట్టింగ్‌లు మరియు ఇతర పరిస్థితులపై ఆధారపడవచ్చు.
ఒక ప్రయోగశాల విజయవంతంగా ఒక పదార్థాన్ని అభివృద్ధి చేస్తే, ఇతర పరిశోధకులు ఫలితాన్ని పరిశీలించి పునరుత్పత్తి చేయగలిగేలా రికార్డులు కూడా ఇవ్వాలి.
భద్రత మరో సవాలు.
AI మోడల్ ఒక ప్రయోగాన్ని సిఫార్సు చేసినంత మాత్రాన రసాయన ప్రయోగం జరగదు. పరికర పరిమితులు, రసాయన అనుకూలత మరియు తగిన పర్యవేక్షణ ఇప్పటికీ అవసరం.
ఈ ఆందోళనలు చైనీస్ పరిశోధనకు మాత్రమే ప్రత్యేకమైనవి కావు. అవి అంతర్జాతీయంగా autonomous laboratories కు ఎదురయ్యే సవాళ్లు.
ఇక్కడ పరిశీలించిన ప్రాజెక్టులకు, పూర్తి ప్రయోగాత్మక workflows యొక్క స్వతంత్ర పునరుత్పత్తి సమీక్షించిన సాక్ష్యాలలో స్థాపించబడలేదు.
ప్రదర్శించిన ఫలితాలు అర్థవంతమైనవి, కానీ వాటిని autonomous laboratories అన్ని శాస్త్రీయ పరిశోధనలకు లేదా పరిశ్రమకు నిరవధికంగా సిద్ధంగా ఉన్నాయనే రుజువుగా గందరగోళం చేయకూడదు.
చైనా పని ఎందుకు ముఖ్యం
USTC మరియు Shenzhen Institutes of Advanced Technology అభివృద్ధులు చైనా AI పరిశోధనలో వేరే దిశను చూపుతాయి.
సమాధానాలను ఉత్పత్తి చేసే వ్యవస్థలపై ప్రధానంగా దృష్టి పెట్టడానికి బదులుగా, ఈ పరిశోధకులు AI ను కొత్త ప్రయోగాత్మక సాక్ష్యాన్ని ఉత్పత్తి చేసే పరికరాలతో అనుసంధానిస్తున్నారు.
AI-Chemist అనేక పనులలో సమన్వయ రసాయన పరిశోధనను ప్రదర్శించింది. Martian meteorite ప్రాజెక్ట్ ఈ విధానాన్ని అసాధారణ పదార్థ సమస్యకు వర్తింపజేసింది. MARS మరింత సంక్లిష్టమైన ప్రయోగాత్మక workflow ను AI agents ఎలా నిర్వహించగలవో పరిశీలించింది.
ఇవి నిర్దిష్ట పరిశోధనా విజయాలు, విస్తృతంగా పారిశ్రామిక స్వీకరణకు ఆధారాలు కాదు.
వాటి ప్రాముఖ్యత ఏమిటంటే, విస్తృతమైన మాన్యువల్ ప్రయోగాలు అవసరమయ్యే అవకాశాలను శాస్త్రవేత్తలు పరిశీలించడానికి AI ఎలా సహాయపడగలదో చూపడం.
| ప్రాజెక్ట్ | AI పాత్ర | నివేదించిన స్థాయి | ఇంకా తెలియనిది |
|---|---|---|---|
| AI-Chemist (USTC, 2022) | కొలతల ఆధారంగా తదుపరి ప్రయోగాలను ప్రణాళిక చేయడం | 14 workstations; ఒక అధ్యయనంలో 207 ప్రయోగాలు | ఇతర ప్రయోగశాల సెటప్‌లలో పునరుత్పత్తి |
| Martian meteorite catalyst (USTC, 2023) | పెద్ద శోధన స్థలం నుండి catalyst ఎంపికలో సహాయం | భూమిపై ఎంపికైన catalyst ప్రయోగశాల పరీక్షలు | నిజమైన ఆక్సిజన్ ఉత్పత్తి |
| MARS (SIAT నేతృత్వం, 2026) | బహుళ AI agents ను robots తో సమన్వయం | పది రౌండ్లలో perovskite ఆప్టిమైజేషన్; 3.5 గంటలు (బృంద నివేదిక) | స్వతంత్ర పోలిక మరియు పునరుత్పత్తి |
చైనా పరిశోధకులు కేవలం శాస్త్రీయ ఆవిష్కరణల గురించి మాట్లాడగల AI ను మాత్రమే అభివృద్ధి చేయడం లేదు. వాటిని పరిశోధించడానికి ఉపయోగించే ప్రయోగాలలో పాల్గొనే వ్యవస్థలను నిర్మిస్తున్నారు.
ఈ విధానం ఇతర ప్రయోగశాలల్లో ఎంత నమ్మదగినదిగా పనిచేస్తుందనే దానిపై విస్తృత విలువ ఆధారపడి ఉంటుంది. ప్రస్తుతానికి, ప్రచురించిన పరిశోధన ఒక అభివృద్ధి చెందుతున్న శాస్త్రీయ సామర్థ్యానికి సాక్ష్యం ఇస్తుంది, మరియు చైనా AI కార్యకలాపంలో language-model అనువర్తనాలకు మించిన మరో ముఖ్యమైన దిశను కూడా చూపుతుంది.
వనరులు మరియు మరింత చదవడానికి
- An All-Round AI-Chemist with a Scientific Mind, National Science Review, 2022
- Automated synthesis of oxygen-producing catalysts from Martian meteorites by a robotic AI chemist, Nature Synthesis, online 2023, volume 3 (2024)
- Knowledge-Driven Autonomous Materials Research via Collaborative Multi-Agent and Robotic System, Matter, 2026
- Autonomous laboratories in China: an embodied intelligence-driven platform to accelerate chemical discovery, Digital Discovery, 2025 perspective
- Steering towards safe self-driving laboratories, Nature Reviews Chemistry, 2025