Klasičan naučni eksperiment uglavnom počinje planom. Istraživač unapred odluči na kojim tačkama će meriti uzorak, instrument izvrši zadati niz koraka, a tek nakon toga naučnik analizira podatke i odlučuje šta bi sledeći put trebalo proveriti. U jednoj demonstraciji na Cornell High Energy Synchrotron Source laboratoriji taj redosled je promenjen. Rendgenski instrument je napravio merenje metalnog uzorka, podaci su poslati stotinama kilometara dalje u Oak Ridge National Laboratory, tamo ih je algoritam analizirao i sam izabrao sledeće mesto na kojem treba meriti. Nova instrukcija automatski je vraćena instrumentu, koji je ponovio postupak. Cornell Chronicle je 25. avgusta predstavio eksperiment kao važan korak prema laboratorijama koje ne izvršavaju slepo unapred napisanu listu već tokom rada prilagođavaju plan onome što upravo otkrivaju.
Demonstracija je korišćena za mapiranje naprezanja u metalnom uzorku. Kada se metalni deo proizvede, zavari ili 3D štampa, u njegovoj unutrašnjosti mogu ostati područja sa različitim zaostalim naprezanjima. Ta mesta mogu uticati na zamor, pucanje i dugoročnu pouzdanost komponente, što je važno za turbine, avionske delove i druge konstrukcije koje rade pod velikim opterećenjem. Problem je što precizno rendgensko mapiranje može zahtevati veliki broj merenja. Ako se instrument kreće po pravilnoj mreži i meri svaku tačku podjednako detaljno, mnogo dragocenog vremena troši se na područja u kojima se skoro ništa zanimljivo ne događa. Sistem aktivnog učenja pokušava da radi kao iskusan naučnik: pogleda dosadašnji rezultat i kaže „ovde se pojavljuje nešto neobično, pogledajmo detaljnije baš tu“.
Posebna novina je to što „mozak“ eksperimenta nije morao da bude u istoj zgradi kao instrument. Podaci sa Cornella slati su u Tenesi, gde ih je autonomni sistem obrađivao, a odluke su vraćane kroz mrežnu infrastrukturu. To otvara mogućnost da budući eksperiment istovremeno koristi znanje i računarske resurse različitih laboratorija. Na primer, jedan instrument može analizirati strukturu materijala rendgenskim zracima, dok algoritam koristi prethodne rezultate elektronske mikroskopije ili simulacije sa drugog mesta kako bi odlučio gde da traži sledeći trag. Naučni instrumenti su skupi, a vreme na velikim sinhrotronima veoma ograničeno, pa čak i malo povećanje efikasnosti može omogućiti mnogo više eksperimenata.
Autonomna laboratorija ipak nije isto što i laboratorija bez naučnika. Čovek i dalje postavlja pitanje, bira uzorak, određuje šta je bezbedno i smisleno meriti i tumači šire značenje rezultata. Algoritam je najkorisniji u delu posla u kojem treba brzo odlučiti između hiljada mogućih sledećih merenja. Ako se ovakav pristup proširi, naučni eksperimenti mogli bi postati sličniji navigaciji nego unapred nacrtanoj ruti: cilj je poznat, ali se najbolji put bira tokom vožnje. Jedan rendgenski snop na Cornellu sada je pokazao da čak i laboratorijska oprema može dobiti sposobnost da na osnovu upravo viđenog promeni sopstveni sledeći korak.
S.B.
