LABIIUM: AI-Enhanced Zero-configuration Measurement Automation System

要約

実験室環境の複雑さには、機器の相互作用を簡素化し、測定の自動化を強化するソリューションが必要です。
従来のツールでは、構成、ソフトウェア、プログラミングスキルが必要であることが多く、生産性の障壁を作り出します。
専用のソフトウェアスイートやカスタムスクリプトを含む以前のアプローチは、プログラミングプラクティスに合わせたユーザーフレンドリーなソリューションを提供するのに頻繁に不足しています。
実験的なワークフローを合理化し、ユーザーの生産性を向上させるように設計されたAIに強化されたゼロ構成測定自動化システムであるLabiiumを紹介します。
Labiiumは、大規模な言語モデル（LLMS）を搭載したAIアシスタントを統合してコードを生成します。
Labiiumの実験室測定ブリッジ（LAMBS）により、VSCODEやPythonなどの標準的なツールを使用してシームレスな機器接続を可能にし、セットアップオーバーヘッドを排除します。
その機能を実証するために、電流源負荷を備えた単純な2トランジスタ反転アンプのパラメトリック伝達曲線の測定を含む実験を実施しました。
AIアシスタントは、さまざまな迅速なシナリオを使用して評価され、Claude Sonnet 3.5、Gemini Pro 1.5、およびGPT-4Oなどの複数のモデルと比較されました。
勾配加重適応確率サンプリング（GWASS）メソッドを実装する専門的なソリューションをベースラインとして使用しました。
AIアシスタントによって生成されたソリューションは、専門家ソリューションと10,000ポイントの均一な線形掃引ベースラインと比較されました。
グラフの結果は、LLMSが最も基本的な均一なスイープを正常に完了することができたことを示していますが、LLMはGWASSと競合するための適応的なスイープアルゴリズムを開発することができませんでした。
この評価は、研究室の生産性を高め、研究と産業におけるデジタル変革をサポートするLabiiumの能力を強調し、電子測定科学タスクのLLMパフォーマンスを改善するために必要な将来の作業を強調しています。

要約(オリジナル)

The complexity of laboratory environments requires solutions that simplify instrument interaction and enhance measurement automation. Traditional tools often require configuration, software, and programming skills, creating barriers to productivity. Previous approaches, including dedicated software suites and custom scripts, frequently fall short in providing user-friendly solutions that align with programming practices. We present LABIIUM, an AI-enhanced, zero-configuration measurement automation system designed to streamline experimental workflows and improve user productivity. LABIIUM integrates an AI assistant powered by Large Language Models (LLMs) to generate code. LABIIUM’s Lab-Automation-Measurement Bridges (LAMBs) enable seamless instrument connectivity using standard tools such as VSCode and Python, eliminating setup overhead. To demonstrate its capabilities, we conducted experiments involving the measurement of the parametric transfer curve of a simple two-transistor inverting amplifier with a current source load. The AI assistant was evaluated using different prompt scenarios and compared with multiple models, including Claude Sonnet 3.5, Gemini Pro 1.5, and GPT-4o. An expert solution implementing the Gradient-Weighted Adaptive Stochastic Sampling (GWASS) method was used as a baseline. The solutions generated by the AI assistant were compared with the expert solution and a uniform linear sweep baseline with 10,000 points. The graph results show that the LLMs were able to successfully complete the most basic uniform sweep, but LLMs were unable to develop adaptive sweeping algorithms to compete with GWASS. The evaluation underscores LABIIUM’s ability to enhance laboratory productivity and support digital transformation in research and industry, and emphasizes the future work required to improve LLM performance in Electronic Measurement Science Tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google