Аргоннский полибот присоединяется к клубу самоуправляемых лабораторий

Срочно необходимы новые материалы для изготовления более качественных компонентов, используемых в устойчивой энергетике. Такие технологии, как термоядерная реакция и квантовые вычисления нужны материалы, которые могут выдерживать высокие уровни радиации или поддерживать квантовые вычисления будучи безопасным, экономически эффективным и устойчивым. Но этих материалов еще не существует, и их обнаружение — сложнейшая задача, которая включает в себя синтез и тестирование большого количества гипотетических материалов.

«Обнаруженные материалы представляют собой очень малую часть гипотетических материалов — как капли воды в океане», — написала по электронной почте профессор ядерной науки Массачусетского технологического института Мингда Ли.

Способность выполнять задачи без вмешательства человека делает беспилотную лабораторию системой «замкнутого цикла», чего Polybot достиг в июне прошлого года.

Один из инструментов, который исследователи все чаще используют, чтобы помочь в этом процессе открытия, — это беспилотная лаборатория — лабораторная система, которая сочетает в себе передовые технологии. робототехника с машинное обучение программное обеспечение для автономного проведения экспериментов.

Например, Национальная лаборатория Лоуренса Берклих А-Лаб только что открылся в прошлом месяце и нацелен на поиск новых материалов, которые могли бы помочь в создании лучших солнечных элементов, топливных элементов и термоэлектрических технологий. (Лаборатория говорит, что буква «А» в ее названии намеренно двусмысленна, по-разному обозначая автономию, ИИ, абстракцию и ускорение.)

Еще одна недавно отчеканенная лаборатория самостоятельного вождения —по имени Полиботв Аргоннская национальная лаборатория в Лемонте, штат Иллинойс, — работает немного дольше, чем A-Lab. В результате он поднялся по лестнице автономии лаборатории к своим собственным исследованиям в области материаловедения. Polybot состоит из оборудования для химического анализа, компьютеров с программным обеспечением для машинного обучения и трех роботов. Есть синтетический робот, который запускает химические реакции, робот-обработчик, очищающий продукты реакций, и робот на колесах с роботизированной рукой, который перевозит образцы между станциями. Роботы запрограммированы с использованием сценариев Python и выполняют все ручные задачи в экспериментах, такие как загрузка образцов и сбор данных.

Данные, собранные в ходе экспериментов, затем отправляются в программу машинного обучения для анализа. Программное обеспечение анализирует результаты и предлагает изменения для следующей серии экспериментов, такие как регулирование температуры, количества реагентов или продолжительности реакций. Способность выполнять все это без вмешательства человека делает беспилотную лабораторию системой «замкнутого цикла», чего Polybot достиг в июне прошлого года.

Ученый из Аргонны Цзе Сюй, которая начала планировать Polybot в 2019 году, сказала, что хочет, чтобы лаборатория беспилотных автомобилей функционировала как ресурс, который «универсально применим и реконфигурируем», чтобы исследователи всех мастей могли им воспользоваться. Сюй и его коллеги из Аргонны использовали Polybot для исследования электронных полимеров, которые представляют собой пластмассы, способные проводить электричество. Надежда состоит в том, чтобы создать полимеры, которые могут сделать лучшие и более устойчивые версии технологий, которые мы используем сегодня, например солнечные батареи и биосенсоры.

По оценкам Сюй, им придется провести полмиллиона различных экспериментов, прежде чем они исчерпают все возможные способы синтеза целевого электронного полимера. По словам Сюй, беспилотная лаборатория не может попробовать их все, не говоря уже об исследователях-людях, которые могут генерировать всего около 10 молекул за два года.

По словам Сюй, беспилотные лаборатории помогают ускорить процесс синтеза новых материалов с двух сторон. Одним из них является использование робототехники: роботы могут выполнять синтез и анализ гипотетических материалов быстрее, чем люди, потому что роботы могут работать непрерывно. Другой способ — использовать машинное обучение, чтобы расставить приоритеты для настройки параметров, которые с наибольшей вероятностью дадут лучший результат во время следующего эксперимента. По словам Сюй, важна правильная расстановка приоритетов, потому что само количество настраиваемых экспериментальных параметров, таких как температура и количество реагентов, может пугать.

Сегодня в мире существует всего несколько лабораторий беспилотных автомобилей. Однако вскоре это число будет увеличиваться. Каждая национальная лаборатория США, для начала, сейчас строит такую.

Беспилотные лаборатории также имеют преимущество в том, что они генерируют большие объемы экспериментальных данных. Эти данные ценны, потому что алгоритмы машинного обучения должны быть обучены большому количеству данных, чтобы получить полезные результаты. Одна лаборатория не способна самостоятельно генерировать такой объем данных, поэтому некоторые лаборатории начали объединять свои данные с данными других исследователей.

A-Lab LBNL также регулярно вносит данные в Материалы проекта, который собирает данные от исследователей материаловедения со всего мира. Милад Аболхасани, чья лаборатория в Университете штата Северная Каролина занимается изучением беспилотных автомобилей, сказал, что расширение обмена данными в открытом доступе важно для успеха беспилотных лабораторий. Но для эффективного обмена данными потребуется стандартизация того, как данные из лабораторий форматируются и представляются.

По оценке Абольхасани, в мире существует всего несколько настоящих беспилотных лабораторий — лабораторий, способных работать непрерывно без вмешательства человека и без частых поломок. Это число может вскоре увеличиться, сказал он, потому что каждая национальная лаборатория в Соединенных Штатах строит такую.

Но все еще существуют значительные барьеры для входа. Специализированные роботы и лабораторная среда стоят дорого, и на создание необходимой инфраструктуры и интеграцию роботизированных систем с существующим лабораторным оборудованием уходят годы. Каждый раз, когда запускается новый эксперимент, исследователи могут обнаружить, что им необходимо вносить дополнительные настройки в систему.

Генри Чан, коллега Сюй в Аргонне, сказал, что в конечном итоге они хотят, чтобы возможности машинного обучения Polybot вышли за рамки простых экспериментов по оптимизации. Он хочет использовать систему для открытий — создания совершенно новых материалов, таких как полимеры с новой молекулярной структурой.

Открытие сделать гораздо сложнее, потому что оно требует алгоритмов машинного обучения для принятия решений о том, куда двигаться, исходя из почти неограниченного количества отправных точек.

«Для оптимизации вы все еще можете определить пространство, но для открытия пространство бесконечно», — сказал Чан. «Потому что у вас могут быть разные структуры, разные композиции, разные способы обработки».

Но результаты в A-Lab показывают, что это возможно. Когда лаборатория открылась ранее в этом году, исследователи попытались синтезировать совершенно новые материалы, запустив свои алгоритмы машинного обучения на данных из базы данных Materials Project. Лаборатория самоуправляемых автомобилей работала лучше, чем ожидалось, давая многообещающие результаты в 70% случаев.

«Мы ожидали, что в лучшем случае показатель успеха составит около 30 процентов», — написал главный исследователь A-Lab Герд Седер.