At sætte kunstig intelligens i gang i laboratoriet

Et australsk-tysk samarbejde har demonstreret fuld-autonom SPM-drift, anvendelse af kunstig intelligens og dyb læring for at fjerne behovet for konstant menneskelig overvågning.

Det nye system, døbt DeepSPM, bygger bro mellem nanovidenskab, automatisering og kunstig intelligens (AI), og fastlægger brugen af ​​maskinlæring til eksperimentel videnskabelig forskning.

"At optimere SPM-dataindsamling kan være meget kedeligt. Denne optimeringsproces udføres normalt af den menneskelige eksperimentalist, og er sjældent rapporteret, " siger FLEET Chief Investigator Dr. Agustin Schiffrin (Monash University).

"Vores nye AI-drevne system kan operere og erhverve optimale SPM-data autonomt, i flere lige dage, og uden menneskelig opsyn."

Fremskridtet bringer avancerede SPM-metoder såsom atomisk præcis nanofabrikation og dataindsamling med høj kapacitet tættere på en fuldt automatiseret nøglefærdig applikation.

Den nye deep learning-tilgang kan generaliseres til andre SPM-teknikker. Forskerne har gjort hele rammeværket offentligt tilgængeligt online som open source, skabe en vigtig ressource for det nanovidenskabelige forskningsmiljø.

Fuldt autonom DeepSPM

"Afgørende for succesen med DeepSPM er brugen af ​​en selvlærende agent, da de korrekte styreindgange ikke kendes på forhånd, " siger Dr. Cornelius Krull, projekt medleder.

"Lære af erfaring, vores agent tilpasser sig skiftende eksperimentelle forhold og finder en strategi til at holde systemet stabilt, " siger Dr. Krull, der arbejder med Dr. Shiffrin på Monash School of Physics and Astronomy.

Det AI-drevne system begynder med en algoritmisk søgning af de bedste prøveregioner og fortsætter med autonom dataindsamling.

Den bruger derefter et foldet neuralt netværk til at vurdere kvaliteten af ​​dataene. Hvis kvaliteten af ​​dataene ikke er god, DeepSPM bruger en dyb forstærkende læringsmiddel til at forbedre tilstanden af ​​sonden.

DeepSPM kan køre i flere dage, indsamle og behandle data løbende, mens man administrerer SPM-parametre som svar på varierende eksperimentelle forhold, uden opsyn.

Undersøgelsen viser fuldstændig autonom, langsigtet SPM-drift for første gang ved at kombinere:

• en algoritmisk tilgang til prøveområdeudvælgelse og SPM-dataopsamling;
• overvåget maskinlæring ved hjælp af konvolutionelle neurale netværk til kvalitetsvurdering og klassificering af SPM-data, og
• dyb forstærkende læring til dynamisk automatiseret in-situ sondestyring og konditionering.

Kunstig intelligens-drevet scanning probe mikroskopi blev offentliggjort i Kommunikationsfysik i marts 2020.