От разрозненных заметок к переносимому научному активу
Проблема воспроизводимости и передачи знаний в материаловедении часто кроется в фрагментации данных: скрипты, протоколы и предупреждения о неудачных расчетах разбросаны по ноутбукам, репозиториям и локальной памяти исследователей. Авторы работы (Siyu Liu, Bo Hu, Beilin Ye, He Cao, David J. Srolovitz, Tongqi Wen) предлагают решение: создать «вечного» ИИ-партнера, основанного не на архитектуре конкретной модели, а на постоянной памяти агента.
Предложенная система хранит научный опыт в виде проверяемых фактов и исполняемых навыков. Это позволяет извлекать, пересматривать и переносить наблюдения, границы ошибок и протоколы валидации между разными моделями и агентами, превращая опыт в durable scientific asset (долговечный научный актив).
Результаты тестирования: цифры и метрики
Эффективность подхода была оценена в трех вычислительных сценариях, демонстрирующих различные уровни компетенции в материаловедении. Ключевые результаты показывают, что наличие памяти кардинально меняет производительность даже передовых моделей, таких как GPT-5.2, без каких-либо обновлений параметров самой модели.
| Сценарий тестирования | Метрика / Задача | Результат с памятью | Эффект |
|---|---|---|---|
| Использование инструментов | 49 реальных вопросов (138 подзадач) | Удвоение успешности | Без обновления параметров модели |
| Уравнение состояния твердых тел | Инициализация волновой функции | 25/2/0 (Корректно/Частично/Ошибка) | Рост с 22/1/4; избегание 92% повторных ошибок |
| Практические рабочие процессы | 13 симуляций материалов | Снижение нагрузки в 2 раза | Экономия токенов и вызовов инструментов к 3-му раунду |
Как работает «самообучающаяся» память
Система не просто запоминает ответы, она фиксирует границы ошибок и проверки валидации. Например, в расчетах уравнения состояния твердых тел ИИ научился превращать сбой инициализации волновой функции в превентивный контроль перед выполнением задачи. Это позволило изменить соотношение успешных/частичных/ошибочных результатов с 22/1/4 до 25/2/0.
В сложных рабочих процессах (анализ зонной щели, фононов, вакансий и работы выхода) сохраненные навыки и факты об ошибках позволили сократить совокупную нагрузку на трассировку (tokens) вдвое и уменьшить количество вызовов инструментов более чем в два раза к третьему раунду взаимодействия, сохранив при этом физическую осмысленность выводов.
Почему это важно для AI-разработки
Работа демонстрирует сдвиг парадигмы: от создания изолированных агентов к построению портативных систем памяти. Это означает, что опыт, полученный одной моделью, может быть использован другой, что критически важно для долгосрочных научных проектов, где время на настройку и обучение новых агентов недопустимо велико. Память становится независимым от модели слоем интеллекта.
Источник: arXiv cs.AI ↗