Eigen RadarYapay Zekâ
Analiz

AgentFold 80 protein model varyantını ararken Co-Scientist kapalı döngü laboratuvar işi yürüttü

29 Ağustos'taki arXiv'de AgentFold, ESMFold'dan 2,000 satırlık bir kod tabanında yaklaşık 80 varyant denedikten sonra en iyi lDDT değerini bağımsız Codex önerilerine göre yüzde 7.5 artırdı. THE DECODER 28 Ağustos'ta Google DeepMind Co-Scientist'in artık deney planladığını, laboratuvar cihazlarını çalıştırdığını ve makale taslağı yazdığını aktardı. İkisi de eylemcileri kapalı döngü bilimsel aramaya dönüştürüyor.

Yapay Zekâ··Gece
Kompakt bir laboratuvar gantrisi, aydınlık bir tezgâha düzensiz kümeler hâlinde yayılmış renkli protein şerit modellerinden turkuaz bir modeli inceleme ışığına kaldırıyor.

AgentFold eşit hesaplamayla 80 katlanma modeli varyantını deniyor

29 Ağustos'ta arXiv'de yayımlanan AgentFold, katlanma modeli geliştirmeyi çalıştırılabilir kod varyantları üzerinde kapalı döngü bir aramaya çeviriyor: hipotez kuruyor, kodu değiştirip hatalarını ayıklıyor, varyantları değerlendiriyor ve başarılı olduğu kadar başarısız müdahaleleri de yapılandırılmış bir bellekte tutuyor. ESMFold'dan başlayan sistem, 2,000 satırdan uzun bir kod tabanında yaklaşık 80 varyant deniyor. Eşit hesaplama bütçesinde en iyi lDDT değerini bağımsız Codex önerilerine göre yüzde 7.5 artırıyor. Arama yaklaşık 5,000 GPU saati ve 170 milyon model belirteci harcıyor; kaynak dağıtımını MCTS türü bir arama ilkesi yönetiyor. Karşılaştırma rastgele arama denetimiyle de yapılıyor ve sonuç onun da önünde. Çalışma hakem değerlendirmesinden geçmemiş bir ön baskıdır; kazanç tek bir kod tabanında ve tek bir başlangıç modelinde ölçüldü.[1]

Co-Scientist deney planlıyor ve laboratuvar cihazını yönetiyor

Google DeepMind, Şubat 2025'te Gemini 2.0 üzerinde hipotez üreteci olarak tanıttığı Co-Scientist'i kapalı döngü bir araştırma sistemine genişletti: sistem hipotez çıkarıyor, deney planı kuruyor, kod yazıyor, laboratuvar cihazlarını yönetiyor, sonuçları çözümlüyor ve makale taslağı üretiyor. THE DECODER 28 Ağustos'ta malzeme biliminde iki boyutlu malzemeler için sentez tarifleri tasarladığını ve yarı iletken ince filmleri ilk denemede elde ettiğini aktardı.[2]

Kod araması ile laboratuvar döngüsü kapalı döngü eylemci örüntüsünü paylaşıyor

AgentFold, bir protein katlanma kod tabanında başarısız ve başarılı düzenlemelerin yapılandırılmış belleğiyle çalıştırılabilir kod varyantlarını yinelemeye sokuyor. Co-Scientist hipotezden laboratuvar donanımına ve makale taslağına kadar döngüyü malzeme biliminde kapatıyor. AgentFold tek bir ön baskı kod tabanında yüzde 7.5 lDDT kazancı bildiriyor; Co-Scientist'in film sentezi başarısı havuzda bağımsız yineleme olmadan THE DECODER tarafından aktarılıyor.[1], [2]

Kaynakça

  1. Haber kaynağıarXivBir eylemci protein katlanma modelini 80 varyantla arayıp lDDT'yi yüzde 7,5 iyileştirdi↩1↩2
  2. Haber kaynağıTHE DECODERCo-Scientist artık deneyi planlıyor, laboratuvar cihazını çalıştırıyor ve makaleyi yazıyor↩1↩2