Inde i AI‑drevne laboratorier: En ny æra for materialeforskning

Ligesom et stigende antal industrier får materialvidenskaben også bliver assisteret af kunstig intelligens (AI).

Her analyserer maskinlæringsalgoritmer (ML) enorme datasæt og identificerer mønstre for at foreslå lovende materialekandidater på minimal tid, mens de bruger betydeligt færre ressourcer end prøve‑og‑fejl metoder.

Det traditionelle manuelle, menneskeintensive arbejde, som blev udvidet af fremkomsten af beregningssystemer, som muliggør komplekse beregninger, bliver nu fuldstændigt revolutioneret af automatiserede, parallelle og iterative processer drevet af AI, simulering og eksperimentel automatisering. 

Modningen af AI-teknologi, kombineret med højtydende computing og hybride cloud-teknologier, er med til at bringe materialvidenskaben ind i et nyt paradigme præget af den accelererede opdagelse af nye materialer, forudsigende modellering af materialegenskaber og autonom eksperimentering. 

Dette paradigmeskift gør det muligt for forskere at gå fra prøve‑og‑fejl til design, hvilket markant reducerer udviklingscyklusser og baner vejen for avancerede materialer inden for energi, elektronik, sundhedspleje og bæredygtige anvendelser.

For nylig tog forskere fra North Carolina State University et stort skridt videre ved at skabe et selvkørende laboratorium for at opnå et nyt spring i laboratorieautomatisering og yderligere accelerere opdagelsen af materialer af forskere.

Det automatiserede laboratorium indsamler ti gange mere data end traditionelle, manuelle metoder. Med dette kan forskere udføre realtids, dynamiske kemiske eksperimenter, spare tid og ressourcer, mens de muliggør hurtigere gennembrud.

Nye laboratorieopdagelser vil ikke længere tage år; i stedet ser vi på en fremtid, hvor opfindelser sker på dage.

Et AI‑drevet laboratorium: Læring i realtid for opdagelse i realtid

For at overvinde de globale udfordringer inden for ren energi, menneskelig velfærd og bæredygtighed, er det kritisk at foretage hurtige opdagelser af avancerede funktionelle materialer. Opdagelse og syntese af nye materialer er også nøgle til innovative teknologier som batterier, computerchips, solpaneler og meget mere.

Som et resultat, meget fremskridt har vundet inden for materialaccelerationsplatforme og selvkørende laboratorier.

På trods af fremskridtene er kapaciteten for disse platforme og laboratorier til at udforske komplekse parameterområder hæmmet af lav datagennemstrømning. Langsom dataoverførsler og -behandling fører til reduceret produktivitet.

Derfor har forskere fra NC State University ‘introduceret dynamiske flow‑eksperimenter som en dataintensiveringsstrategi for uorganiske materialsynteser inden for selvkørende fluidiske laboratorier ved kontinuerlig kortlægning af transiente reaktionsbetingelser til steady‑state ækvivalenter.’

Udgivet i Nature Chemical Engineering¹, studiet beskriver et topmoderne selvkørende laboratorium, der bruger realtids‑eksperimenter til konstant at indsamle data, og dermed gør materialeforskning hurtigere og mere effektiv samtidig med at omkostninger og miljøpåvirkning reduceres.

For deres arbejde modtog studiet støtte fra National Science Foundation og University of North Carolina Research Opportunities Initiative programmet.

Nu, hvad betyder selvkørende laboratorier (SDL’er) egentlig? Nå, disse er robotplatforme, der kombinerer ML og automatisering med kemisk og materialvidenskab for at finde materialer hurtigere. I disse ML‑assisterede modulære eksperimentelle platforme udføres en række eksperimenter, som udvælges af ML‑algoritmen, iterativt for at nå det programmerede mål.

“Forestil dig, at forskere kunne opdage banebrydende materialer til ren energi, ny elektronik eller bæredygtige kemikalier på dage i stedet for år, ved kun at bruge en brøkdel af materialerne og generere langt mindre affald end status quo.”

– Papirets medforfatter, Milad Abolhasani, ALCOA professor i kemisk og biomolekylær ingeniørvidenskab ved North Carolina State University

Han tilføjede:

“Dette arbejde bringer den fremtid et skridt tættere på.” 

Som en transformerende tilgang til at accelerere videnskabelig opdagelse får selvkørende laboratorier stigende popularitet inden for kemi‑ og materialvidenskab. 

Selvkørende laboratorier, der anvender kontinuerlige flow‑reaktorer, benytter ofte steady‑state flow‑eksperimenter, hvor forskellige forløbere kombineres før kemiske reaktioner finder sted, og blandingen løbende flyder gennem en mikrokanal. 

Produktet, der kommer ud af den karakteriseres derefter af en række sensorer, når reaktionen er afsluttet.

“Denne etablerede tilgang til selvkørende laboratorier har haft en dramatisk indvirkning på materialeforskning,” bemærkede Abolhasani, da han delte, at dette har gjort det muligt for forskere at “identificere lovende materialekandidater til specifikke anvendelser på få måneder eller uger i stedet for år, mens både omkostninger og miljøpåvirkning af arbejdet reduceres.” Men den er på ingen måde perfekt, og der er stadig områder, der kan forbedres.

Især er systemet inaktiv, når den kemiske reaktion finder sted før det resulterende materiale kan blive karakteriseret. Ventetiden for selvkørende laboratorier kan være op til en time for hvert steady‑state flow‑eksperiment.

“Vi har nu skabt et selvkørende laboratorium, der bruger dynamiske flow‑eksperimenter, hvor kemiske blandinger kontinuerligt varieres gennem systemet og overvåges i realtid.”

– Abolhasani 

Hvad dette betyder er, at de eliminerer processen med at køre separate prøver gennem systemet og teste hver af dem én ad gangen efter de har nået en tilstand. 

I stedet har de bygget et system, der simpelt ikke stopper med at køre. Prøverne bevæger sig kontinuerligt gennem systemet. Dette skyldes, at “systemet aldrig stopper med at karakterisere prøven,” og forskeren kan “indfange data om, hvad der foregår i prøven hvert halve sekund.”

Integration af dynamiske flow‑eksperimenter i selvkørende fluidiske laboratorier markerer en afvigelse fra traditionelle batch‑eksperimenter. 

I modsætning til konventionelle tilgange, hvor isolerede datapunkter indsamles under steady‑state betingelser, i dynamiske flow‑eksperimenter, anvendes mikrofluidiske principper til hurtig kortlægning af reaktionsbetingelser.

Ved at skabe en konstant datastrøm udvider den drastisk de tilgængelige eksperimentelle data.

Abolhasani illustrerede, at teamet nu får 20 datapunkter om, hvad eksperimentet producerer, startende med ét efter 0,5 sekunders reaktionstid, derefter ét efter 1 sekund, osv., i modsætning til det én datapunkt de ville få efter 10 sekunders reaktionstid. Han tilføjede:

“Det er som at skifte fra et enkelt øjebliksbillede til en fuld film af reaktionen, mens den sker. I stedet for at vente på, at hvert eksperiment afsluttes, kører vores system altid, altid lærer.” 

At have så meget mere data kan have en enorm indvirkning på ydeevnen i et AI‑drevet laboratorium. Data er trods alt nøglen til en algoritme. AI er datakrævende, og baseret på de data, den modtager, laver algoritmen forudsigelser.
Ifølge Abolhasani:

“Den vigtigste del af ethvert selvkørende laboratorium er maskinlæringsalgoritmen, som systemet bruger til at forudsige, hvilket eksperiment det skal udføre næste gang.” 

Som sådan tillader streaming‑data‑tilgangen ML‑hjernen i det selvkørende laboratorium at træffe ikke kun hurtigere, men også smartere beslutninger, “finjustere de optimale materialer og processer på en brøkdel af tiden.”
Datakvaliteten bestemmer også nøjagtigheden af forudsigelserne. Så ved at have mere højkvalitets eksperimentelt data, kan algoritmen lave mere præcise forudsigelser, og derefter den kan løse et problem hurtigere. 

“Dette har den ekstra fordel at reducere mængden af kemikalier, der er nødvendige for at nå en løsning.” 

– Abolhasani

For at demonstrere systemets kapaciteter anvendte teamet dynamiske flow‑eksperimenter på CdSe kolloidale kvanteprikker. Dette blev brugt som testbed på grund af dets status som et veletableret uorganisk system med både rige parameterafhængigheder og betydeligt teknologisk potentiale.

I dette tilfælde fandt teamet, at deres laboratorium, som inkorporerede et dynamisk flow‑system, opnåede “en størrelsesordens forbedring i dataindsamlings‑effektivitet.”

Det leverede mindst 10‑gange mere data end andre selvkørende laboratorier, der anvendte steady‑state flow‑eksperimenter. Desuden var det selvkørende laboratorium, når det først var trænet, i stand til at opdage de bedste kandidater på første forsøg.

Dette gennembrud, som Abolhasani sagde, “handler ikke kun om hastighed,” men om at opnå bæredygtighed. Ved at reducere det nødvendige antal eksperimenter reducerer systemet markant både kemikalieforbruget og affald, hvilket fremmer mere bæredygtige forskningspraksisser. Abolhasani sagde:

“Fremtiden for materialeforskning handler ikke kun om, hvor hurtigt vi kan gå, men også om, hvor ansvarligt vi kommer dertil. Vores tilgang betyder færre kemikalier, mindre affald og hurtigere løsninger på samfundets mest udfordrende problemer.”

AIs voksende rolle i materialvidenskab: Spændende nylige opdagelser

AI transformerer industrier verden over, og det inkluderer materialvidenskab, som er grundlæggende for mange teknologiske innovationer og samfundsmæssige udfordringer.

Som et resultat har brug af AI i opdagelse og udvikling af nye materialer været i gang i mange år nu, men den har bestemt fået større gennemslagskraft i de senere år, efterhånden som teknologien bliver mere avanceret og kapabel. 

“Med fortsat udvikling forventer vi, at robotteknologi og automatisering vil forbedre hastigheden, præcisionen og reproducerbarheden af eksperimenter på tværs af forskellige instrumenter og discipliner, og generere de data, som kunstig intelligens kan analysere for at vejlede yderligere eksperimentering.“

– Dr. James Cahoon, medforfatter af papiret ‘Transforming Science Labs into Automated Factories of Discovery‘.^2′

Med det in mente, lad os se på nogle nøglefremskridt inden for materialvidenskab i år på tværs af forskellige anvendelser.
Som et første skridt, som vi for nylig delte, har forskere med hjælp fra AI kunnet designe komplekse, 3D termiske meta‑udsendere, der kan sænke indendørstemperaturen og hjælpe med at spare energiomkostninger. Materialet, der er skabt ved hjælp af en nyudviklet ML‑teknik, kan finde anvendelser i boliger og kommercielle bygninger, rumfartøjer, stoffer og tekstiler, biler og mere.

“Ved at automatisere processen og udvide designområdet kan vi skabe materialer med overlegen ydeevne, som tidligere var ubegribelige.“

– Studiets medleder, Yuebing Zheng

Udvikling af nye metalliske materialer med overlegen styrke

For et par måneder siden, forskere rapportere at bruge AI til at designe en ny MPEA eller multiple principal element legeringer, som findes i flykomponenter, katalysatorer og knæproteser.

Den nydesignede MPEA har overlegen mekaniske egenskaber, hvilket Sanket Deshmukh, lektor i kemisk ingeniørvidenskab ved Virginia Tech, sagde, “viser hvordan rammer og forklarbar AI kan åbne nye muligheder i materialedesign.“

For at fortolke analysen udført af AI‑modellen, brugte Deshmukh og hans team SHAP (SHapley Additive exPlanations) analyse, som gjorde dem i stand til at forstå, hvordan forskellige elementer og deres lokale miljøer påvirker MPEA’ers egenskaber, og dermed giver mere indsigt og præcise forudsigelser.

Ud over at accelerere opdagelsen af avancerede metalliske legeringer, mener Deshmukh, at integration af ML med evolutionære algoritmer og eksperimentel validering også kan hjælpe os med at skabe værktøjer, der “kan udvides til komplekse materialsystemer såsom glykomaterialer – polymermaterialer indeholdende kulhydrater.”

Afsløring af hemmelighederne bag dendritisk vækst i tynde film

Forskningen fra³ Tokyo University of Science (TUS) har udviklet en forklarlig AI‑model, der forudsiger væksten af dendritter (trælignende forgrening) i tynde film, hvilket er en stor hindring i deres store‑areal fremstilling og begrænser deres kommercialisering.

Ved at afsløre de specifikke betingelser og mekanismer bag dendritforgrening hjælper AI‑modellen med at forbedre vækstprocessen for tynde film. Tyndfilm‑enheder er kritiske i teknologi som halvledere.

Den nye AI‑model integrerede maskinlæringsmetoden kaldet principal component analysis (PCA) og topologiteknikken kaldet persistent homology med fri energi‑analyse. 

“Ved at integrere topologi og fri energi tilbyder vores metode en alsidig tilgang til materialanalyse. Gennem denne integration kan vi etablere en hierarkisk forbindelse mellem atom‑skala mikrostrukturer og makroskopiske funktionaliteter på tværs af et bredt udvalg af materialer, hvilket baner vejen for fremtidige fremskridt inden for materialvidenskab.“

– Professor Masato Kotsugi fra afdelingen for materialvidenskab og teknologi ved TUS

Opnå en bedre forståelse af nanopartikler

Et team af forskere fra flere universiteter gik sammen for at udvikle en metode⁴ til bedre forstå den dynamiske opførsel af nanopartikler, som er byggestenene i elektronik, farmaceutik og industrielle materialer.

Den kombinerede elektronmikroskopi med AI for at visualisere strukturer og bevægelser af molekyler med en hidtil uset tidsopløsning.

Som Peter A. Crozier, professor i materialvidenskab og ingeniørvidenskab ved Arizona State University, forklarede:

“Elektronmikroskopi kan fange billeder med høj rumlig opløsning, men på grund af den hastighed, hvormed den atomare struktur af nanopartikler ændrer sig under kemiske reaktioner, er vi nødt til at indsamle data med meget høj hastighed for at forstå deres funktionalitet.”

For at mindske denne støj udviklede de en AI‑metode, der automatisk fjerner den, “muliggør visualisering af nøgle‑atom‑niveau dynamik.”

I mellemtiden tager en forskningsgruppe fra Graz University of Technology nanostrukturbygning til et nyt niveau ved hjælp af AI.

For dette, de udvikler et selv‑lærende AI‑system, der autonomt placerer individuelle molekyler hurtigt og i den rette orientering ved brug af scanning tunnelling mikroskoper, ellers en vanskelig og tidskrævende proces, for at muliggøre opbygning af “højt komplekse molekylære strukturer, inklusive logiske kredsløb i nanometer‑området.“

Målet er i sidste ende at bygge kvante‑koraller, som er nanostrukturer i form af en port, der kan fange elektroner, og bruge dem til at bygge logiske kredsløb for at studere, hvordan de fungerer på molekylært niveau. 

Opdagelse af bedre fotovoltaiske materialer

Et bæredygtigt alternativ til konventionelle silicium‑baserede solceller, perovskite‑solceller viser stort potentiale som næste generations fotovoltaisk teknologi til at omdanne sollys til elektricitet. 

Deres effektivitet kan yderligere øges gennem molekyler, der leder positive ladninger, men der er millioner af forskellige molekyler, hvilket betyder, at syntetisere og teste dem alle. Dog, ved at anvende AI med automatiseret høj‑gennemløbssyntese, var et team af forskere fra Karlsruhe Institute of Technology (KIT) i stand til at opdage nye organiske molekyler⁵ på blot få uger, med kun 150 målrettede eksperimenter.

De nyopdagede materialer øgede også effektiviteten af en reference‑solcelle med omkring to procentpoint.

Til dette vendte forskerne sig mod en database med én million virtuelle molekyler og udvalgte tilfældigt 13.000 af dem, før de valgte 101 af dem. De udvalgte havde de største forskelle i deres egenskaber, og de blev syntetiseret med robotter, før de blev brugt til at fremstille solceller.

Lægning af fundamentet for AI‑drevet materialeforskning

Selvom alle disse opdagelser bliver gjort, for at AI faktisk kan gøre det muligt, har den brug for data. Dette inkluderer data om materialer såvel som data fra stor‑skala simulationer. 

Selvom mange sådanne databaser er tilgængelige, er de ret isolerede, og derfor er der behov for en standard \”så brugere kan kommunikere med alle disse datalagre og forstå den information, de modtager,\”“ bemærkede Gian‑Marco Rignanese, professor ved Institute of Condensed Matter and Nanosciences på UCLouvain i Belgien.

Så sidste sommer frigav et stort internationalt samarbejde en udvidet version af OPTIMADE‑standarden for at lette AI‑drevet materialeforskning.

OPTIMADE (Open databases integration for materials design) standarden er støttet af et stort internationalt netværk af institutioner og materialedatabaser. Med målet om at give brugere lettere adgang til både førende og mindre kendte materialedatabaser, en ny version af den blev introduceret som kan accelerere den igangværende AI‑drevede materialeforskning yderligere.

Investering i AI for materialeforskning

Når man ser på investering i dette område, Alphabet Inc. (GOOGL ) ejer Google er et firma, der har lanceret et AI‑værktøj kaldet Gnome. Det har rapporteret at finde 2,2 millioner nye krystaller med det. Så er der Microsoft (MSFT ), som har introduceret MatterGen og MatterSim til at skabe nye materialekandidater og validere dem.

Men der er en anden AI‑gigant, der har lanceret sin egen model for at hæve skalaen og præcisionen af materialeforskning.

NVIDIA Corporation (NVDA )

Det er ingen anden end AI‑favoritten Nvidia. Sent sidste år introducerede virksomheden introducerede NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

Platformen har til formål at accelerere F&U inden for kemi og materialvidenskab gennem AI’s kraft, og for at opnå dette, inkluderer den API’er og accelererede inferens‑mikrotjenester. Dette vil muliggøre oprettelse og implementering af generative AI‑modeller til at udforske det enorme materialunivers og foreslå nye kandidater, og udvikling og brug af surrogate‑modeller for at opnå en balance mellem beregningsomkostninger og nøjagtighed. Den vil også tillade tilgængelige informatikværktøjer og fortrænede grundlæggende modeller til hurtig screening og simuleringsværktøjer for at træne og finjustere AI‑modeller til nye anvendelsestilfælde.

Gennem ALCHEMI sigter NVIDIA mod at fremskynde opdagelses‑workflowet og “indføre en ny æra af banebrydende opdagelser, der driver en mere bæredygtig, sundere fremtid.”