Μέσα σε Εργαστήρια με Τεχνητή Νοημοσύνη: Μια Νέα Εποχή στην Ανακάλυψη Υλικών

Όπως και ένας αυξανόμενος αριθμός βιομηχανιών, η επιστήμη των υλικών επίσης βοηθάται από την τεχνητή νοημοσύνη (AI).

Εδώ, αλγόριθμοι μηχανικής μάθησης (ML) αναλύουν τεράστιες βάσεις δεδομένων και εντοπίζουν μοτίβα για να προτείνουν υποσχόμενους υποψηφίους υλικών σε ελάχιστο χρόνο, ενώ καταναλώνουν σημαντικά λιγότερους πόρους από τις μεθόδους δοκιμής‑και‑σφάλματος.

Η παραδοσιακή χειροκίνητη, ανθρώπινα εντατική εργασία που ενισχύθηκε με την εμφάνιση υπολογιστικών συστημάτων, τα οποία επιτρέπουν σύνθετους υπολογισμούς, τώρα επαναστατοποιείται πλήρως από αυτοματοποιημένες, παράλληλες και επαναληπτικές διαδικασίες που καθοδηγούνται από AI, προσομοίωση και πειραματική αυτοματοποίηση. 

Η ωρίμανση της τεχνολογίας AI, σε συνδυασμό με υπολογιστική υψηλών επιδόσεων και υβριδικές τεχνολογίες cloud, βοηθά την επιστήμη των υλικών να εισέλθει σε ένα νέο παράδειγμα χαρακτηρισμένο από την επιταχυμένη ανακάλυψη νέων υλικών, προβλεπτική μοντελοποίηση των ιδιοτήτων των υλικών και αυτόνομη πειραματική διαδικασία. 

Αυτή η αλλαγή παραδείγματος επιτρέπει στους ερευνητές να μεταβούν από προσεγγίσεις δοκιμής‑και‑σφάλματος σε σχεδιασμό, μειώνοντας σημαντικά τους κύκλους ανάπτυξης και ανοίγοντας το δρόμο για προηγμένα υλικά σε  ενέργεια, ηλεκτρονικά, υγειονομική περίθαλψη και εφαρμογές βιωσιμότητας.

Πρόσφατα, ερευνητές από το Πανεπιστήμιο της Βόρειας Καρολίνας (North Carolina State University) έκαναν ένα σημαντικό βήμα παραπέρα δημιουργώντας ένα αυτόνομο εργαστήριο για να επιτύχουν ένα νέο άλμα στην αυτοματοποίηση του εργαστηρίου και να επιταχύνουν περαιτέρω την ανακάλυψη υλικών από επιστήμονες.

Το αυτοματοποιημένο εργαστήριο συλλέγει δέκα φορές περισσότερα δεδομένα από τις παραδοσιακές, χειροκίνητες μεθόδους. Με αυτήν την κίνηση, οι ερευνητές μπορούν να διεξάγουν πειράματα χημείας σε πραγματικό χρόνο, εξοικονομώντας χρόνο και πόρους ενώ  επιτρέπουν ταχύτερες προόδους.

Οι νέες ανακαλύψεις στο εργαστήριο δεν θα χρειάζονται πια χρόνια· αντίθετα, κοιτάμε ένα μέλλον όπου οι εφευρέσεις θα συμβαίνουν σε ημέρες.

Εργαστήριο με Τεχνητή Νοημοσύνη: Μάθηση σε Πραγματικό Χρόνο για Ανακάλυψη σε Πραγματικό Χρόνο

Για να ξεπεράσουμε τις παγκόσμιες προκλήσεις στην καθαρή ενέργεια, την ανθρώπινη ευημερία και τη βιωσιμότητα, είναι κρίσιμο να πραγματοποιούμε γρήγορες ανακαλύψεις προηγμένων λειτουργικών υλικών. Η ανακάλυψη και η σύνθεση νέων υλικών είναι επίσης κλειδιά για καινοτόμες τεχνολογίες όπως μπαταρίες, μικροεπεξεργαστές, ηλιακοί πίνακες, και πολλά άλλα.

Ως αποτέλεσμα, πολύ πρόοδο έχει κατορθώσει σε πλατφόρμες επιτάχυνσης υλικών και αυτόνομα εργαστήρια.

Παρά την πρόοδο, η δυνατότητα αυτών των πλατφορμών και εργαστηρίων να εξερευνήσουν σύνθετους χώρους παραμέτρων εμποδίζεται από χαμηλή ροή δεδομένων. Αργές μεταφορές δεδομένων και επεξεργασία οδηγούν σε μειωμένη παραγωγικότητα.

Έτσι, ερευνητές του Πανεπιστημίου NC State έχουν «εισάγει δυναμικά πειράματα ροής ως στρατηγική εντατικοποίησης δεδομένων για την σύνθεση ανόργανων υλικών μέσα σε αυτόνομα υγροδυναμικά εργαστήρια, μέσω της συνεχούς χαρτογράφησης των διακριτών συνθηκών αντίδρασης σε ισοδύναμες συνθήκες σταθερής κατάστασης».

Δημοσιεύτηκε στο Nature Chemical Engineering¹, η μελέτη περιγράφει ένα υπερσύγχρονο αυτόνομο εργαστήριο που χρησιμοποιεί πειράματα σε πραγματικό χρόνο για συνεχή συλλογή δεδομένων, καθιστώντας  την ανακάλυψη υλικών πιο γρήγορη και αποδοτική ενώ μειώνει το κόστος και το περιβαλλοντικό αποτύπωμα.

Για το έργο τους, η μελέτη έλαβε υποστήριξη από το Εθνικό Ίδρυμα Επιστημών (National Science Foundation) και το πρόγραμμα Research Opportunities Initiative του Πανεπιστημίου της Βόρειας Καρολίνας.

Τώρα, τι σημαίνουν τα αυτόνομα εργαστήρια (SDLs); Λοιπόν, αυτές είναι ρομποτικές πλατφόρμες που συνδυάζουν ML και αυτοματοποίηση με τη χημική και την επιστήμη των υλικών για να βρίσκουν υλικά πιο γρήγορα. Σε αυτές τις πειραματικές πλατφόρμες με υποβοήθηση ML, μια σειρά πειραμάτων, που επιλέγονται από τον αλγόριθμο ML, διεξάγονται επαναληπτικά για να επιτύχουν τον προγραμματισμένο στόχο.

“Φανταστείτε αν οι επιστήμονες μπορούσαν να ανακαλύψουν επαναστατικά υλικά για καθαρή ενέργεια, νέα ηλεκτρονικά ή βιώσιμες χημικές ουσίες σε ημέρες αντί για χρόνια, χρησιμοποιώντας μόνο ένα κλάσμα των υλικών και παράγοντας πολύ λιγότερα απόβλητα από το τρέχον καθεστώς.”

– Συγγραφέας της εργασίας, Milad Abolhasani, Καθηγητής ALCOA Χημικής και Βιομοριακής Μηχανικής στο Πανεπιστήμιο της Βόρειας Καρολίνας

Πρόσθεσε:

“Αυτή η εργασία φέρνει το μέλλον ένα βήμα πιο κοντά.” 

Αντιπροσωπεύοντας μια μετασχηματιστική προσέγγιση στην επιτάχυνση της επιστημονικής ανακάλυψης, τα αυτόνομα εργαστήρια κερδίζουν δημοτικότητα στους τομείς της χημείας και της επιστήμης των υλικών. 

Τα αυτόνομα εργαστήρια που χρησιμοποιούν συνεχή ροές αντιδραστήρων συχνά βασίζονται σε πειράματα ροής σταθερής κατάστασης, όπου διαφορετικοί προγονικοί παράγοντες συνδυάζονται πριν συμβούν χημικές αντιδράσεις, και το μείγμα ρέει συνεχώς μέσω ενός μικροκαναλιού. 

Το προϊόν που προκύπτει από αυτό χαρακτηρίζεται στη συνέχεια από μια σειρά αισθητήρων μόλις ολοκληρωθεί η αντίδραση.

“Αυτή η καθιερωμένη προσέγγιση στα αυτόνομα εργαστήρια είχε δραματική επίδραση στην ανακάλυψη υλικών,” σημείωσε ο Abolhasani, καθώς μοιράστηκε ότι αυτό επέτρεψε στους επιστήμονες να “εντοπίσουν υποσχόμενους υποψηφίους υλικών για συγκεκριμένες εφαρμογές σε λίγους μήνες ή εβδομάδες, αντί για χρόνια, μειώνοντας ταυτόχρονα το κόστος και το περιβαλλοντικό αποτύπωμα της εργασίας.” Αλλά δεν ήταν τέλεια με κανέναν τρόπο, καθώς υπάρχουν ακόμη περιοχές για βελτίωση.

Συγκεκριμένα, το σύστημα παραμένει αδρανές όταν η χημική αντίδραση λαμβάνει χώρα πριν το προκύπτον υλικό μπορεί να χαρακτηριστεί. Ο χρόνος αναμονής για τα αυτόνομα εργαστήρια μπορεί να φτάσει έως και μία ώρα για κάθε πείραμα ροής σταθερής κατάστασης.

“Δημιουργήσαμε τώρα ένα αυτόνομο εργαστήριο που χρησιμοποιεί δυναμικά πειράματα ροής, όπου τα χημικά μείγματα μεταβάλλονται συνεχώς μέσω του συστήματος και παρακολουθούνται σε πραγματικό χρόνο.”

– Abolhasani 

Αυτό σημαίνει ότι αφαιρούν τη διαδικασία εκτέλεσης ξεχωριστών δειγμάτων μέσω του συστήματος και δοκιμής του καθενός από αυτά ένα προς ένα αφού έχουν φτάσει σε μια κατάσταση. 

Αντί αυτού, έχουν κατασκευάσει ένα σύστημα που απλώς δεν σταματά να λειτουργεί. Τα δείγματα κινούνται συνεχώς μέσω του συστήματος. Αυτό συμβαίνει επειδή “το σύστημα ποτέ δεν σταματά να χαρακτηρίζει το δείγμα,” και ο ερευνητής μπορεί να “καταγράψει δεδομένα για το τι συμβαίνει στο δείγμα κάθε μισό δευτερόλεπτο.”

Η ενσωμάτωση δυναμικών πειραμάτων ροής στα αυτόνομα υγροδυναμικά εργαστήρια σηματοδοτεί μια απόκλιση από τα παραδοσιακά πειράματα παρτίδας. 

Σε αντίθεση με τις συμβατικές προσεγγίσεις, όπου απομονωμένα σημεία δεδομένων συλλέγονται υπό συνθήκες σταθερής κατάστασης, στα δυναμικά πειράματα ροής, χρησιμοποιούνται αρχές μικρορευστοδυναμικής για γρήγορη χαρτογράφηση των συνθηκών αντίδρασης.

Δημιουργώντας μια συνεχόμενη ροή δεδομένων, επεκτείνει δραστικά τα προσβάσιμα πειραματικά δεδομένα.

Ο Abolhasani επεσήμανε ότι η ομάδα τώρα λαμβάνει 20 σημεία δεδομένων σχετικά με το τι παράγει το πείραμα, ξεκινώντας με ένα μετά από 0.5 δευτερόλεπτα χρόνου αντίδρασης, μετά ένα μετά από 1 δευτερόλεπτο χρόνου αντίδρασης, κ.ο.κ., σε αντίθεση με το ένα σημείο δεδομένων που θα έπαιρναν μετά από 10 δευτερόλεπτα χρόνου αντίδρασης. Πρόσθεσε:

“Είναι σαν να μεταβείτε από μια μοναδική λήψη στιγμιότυπου σε μια πλήρη ταινία της αντίδρασης καθώς συμβαίνει. Αντί να περιμένετε κάθε πείραμα να ολοκληρωθεί, το σύστημά μας λειτουργεί συνεχώς, μαθαίνει συνεχώς.” 

Η διαθεσιμότητα τόσο περισσότερων δεδομένων μπορεί να έχει τεράστιο αντίκτυπο στην απόδοση ενός εργαστηρίου με AI. Τα δεδομένα, τελικά, είναι το κλειδί για έναν αλγόριθμο. Η AI είναι πεινασμένη για δεδομένα, και με βάση τα δεδομένα που τροφοδοτείται, ο αλγόριθμος κάνει προβλέψεις.

Σύμφωνα με τον Abolhasani:

“Το πιο σημαντικό μέρος κάθε αυτόνομου εργαστηρίου είναι ο αλγόριθμος μηχανικής μάθησης που χρησιμοποιεί το σύστημα για να προβλέψει ποιο πείραμα πρέπει να διεξαχθεί στη συνέχεια.” 

Ως εκ τούτου, η προσέγγιση συνεχούς ροής δεδομένων επιτρέπει στον εγκέφαλο ML του αυτόνομου εργαστηρίου να παίρνει όχι μόνο πιο γρήγορες αλλά και πιο έξυπνες αποφάσεις, “εστιάζοντας σε βέλτιστα υλικά και διαδικασίες σε ένα κλάσμα του χρόνου”.

Η ποιότητα των δεδομένων επίσης καθορίζει την ακρίβεια των προβλέψεων. Έτσι, με περισσότερα υψηλής ποιότητας πειραματικά δεδομένα, ο αλγόριθμος μπορεί να κάνει πιο