En tabsfri dataadministrationsplatform til maskinlæring og deling af eksperimentel information

Inden for materialevidenskab kan selv små variationer i eksperimentelle parametre og protokoller føre til uønskede ændringer i et materiales egenskaber. En banebrydende udvikling på dette område kom med fremkomsten af ​​materialeinformatik - et stærkt dataafhængigt felt, som fokuserer på materialedata, herunder synteseprotokoller, egenskaber, mekanismer og strukturer. Det har draget stor fordel af kunstig intelligens (AI), som muliggør automatiserede dataanalyser i stor skala, materialedesign og eksperimenter, som kan hjælpe med at finde nyttige materialer.

Desværre resulterer frem og tilbage datadeling inden for det videnskabelige samfund ofte i tab af data. Dette skyldes, at de fleste materialedatabaser og forskningsartikler i vid udstrækning fokuserer på struktur-egenskabsrelationer og mindre på vigtig information såsom væsentlige eksperimentelle protokoller.

For at løse disse problemer udviklede et team af forskere ledet af adjunkt Kan Hatakeyama-Sato og professor Kenichi Oyaizu fra Waseda University i Japan en laboratoriedatastyringsplatform, der beskriver forholdet mellem egenskaber, strukturer og eksperimentelle processer i elektroniske laboratorie-notesbøger. I denne elektroniske laboratorie-notesbog er eksperimentelle hændelser og relaterede miljøparametre repræsenteret som vidensgrafer.

Deres undersøgelse, som blev offentliggjort i npj Computational Materials den 17. august 2022 påberåbt sig konceptet om, at eksperimentel information uden tab kan beskrives som vidensgrafer. Holdet inkorporerede en AI-baseret algoritme, der automatisk kunne konvertere disse vidensgrafer til tabeller og uploade dem til et offentligt lager. Dette trin blev indarbejdet for at sikre, at datadeling var tabsfri, og for at gøre det muligt for det videnskabelige samfund at få bedre indsigt i de eksperimentelle forhold.

For at demonstrere anvendeligheden af ​​denne platform brugte teamet den til at udforske superionisk ledningsevne i organisk lithium (Li ⁺ )-ion elektrolytter. De registrerede daglige rådata fra over 500 eksperimenter - både vellykkede og mislykkede - i den elektroniske laboratorie-notesbog. Dernæst transformerede datakonverteringsmodulet automatisk vidensgrafdataene til maskinlærbare datasæt og analyserede forholdet mellem eksperimentelle operationer og resultater. Denne analyse afslørede de vigtige parametre, der er nødvendige for at opnå fremragende stuetemperatur ionkonduktivitet på 10 ⁻⁴ –10 ⁻³ S/cm og et Li ⁺ overførselstal så højt som 0,8.

Så hvad er realtidsapplikationerne af denne platform? Hatakeyama-Sato siger:"Denne platform er i øjeblikket anvendelig til solid-state batterier og vil med forbedret ydeevne være i stand til at bidrage til udviklingen af ​​sikrere batterier med høj kapacitet."

Denne undersøgelse giver ikke kun en platform for pålidelig dataorienteret forskning, men sikrer, at al information, inklusive eksperimentelle resultater og rå måledata, er offentligt tilgængelig for alle.

Ved at diskutere dets langsigtede implikationer siger Hatakeyama-Sato:"Ved at dele rå eksperimentelle data mellem forskere over hele kloden kan nye funktionelle materialer opdages hurtigere. Denne tilgang kan også accelerere udviklingen af ​​energirelaterede enheder, herunder næste generation batterier og solceller." + Udforsk yderligere

Ny hybridelektrolyt til højtydende Li-ion-batterier