Fremme kreativitet hos forskere:Hvordan automatisering kan revolutionere materialeforskning

I hjertet af mange tidligere videnskabelige gennembrud ligger opdagelsen af ​​nye materialer. Imidlertid, cyklus af syntetisering, at teste og optimere nye materialer tager rutinemæssigt videnskabsmænd mange timers hårdt arbejde. På grund af dette, masser af potentielt nyttige materialer med eksotiske egenskaber forbliver uopdagede. Men hvad nu hvis vi kunne automatisere hele den nye materialeudviklingsproces ved hjælp af robotteknologi og kunstig intelligens, gør det meget hurtigere?

I en nylig undersøgelse offentliggjort kl APL materialer , forskere fra Tokyo Institute of Technology (Tokyo Tech), Japan, ledet af lektor Ryota Shimizu og professor Taro Hitosugi, udtænkt en strategi, der kunne gøre fuldstændig autonom materialeforskning til virkelighed. Deres arbejde er centreret omkring den revolutionerende idé om, at laboratorieudstyr er 'CASH' (Connected, Autonom, Delt, Høj gennemstrømning). Med en CASH-opsætning i et materialelaboratorium, forskere behøver kun at beslutte, hvilke materialeegenskaber de ønsker at optimere og tilføre systemet de nødvendige ingredienser; det automatiske system tager derefter kontrol og forbereder og tester gentagne gange nye forbindelser, indtil den bedste er fundet. Brug af maskinlæringsalgoritmer, systemet kan anvende tidligere viden til at beslutte, hvordan syntesebetingelserne skal ændres for at nærme sig det ønskede resultat i hver cyklus.

For at demonstrere, at CASH er en gennemførlig strategi inden for forskning i faststofmaterialer, Associate Prof Shimizu og teamet skabte et proof-of-concept-system bestående af en robotarm omgivet af flere moduler. Deres opsætning var rettet mod at minimere den elektriske modstand af en titaniumdioxid tynd film ved at justere aflejringsbetingelserne. Derfor, modulerne er et sputter-aflejringsapparat og en anordning til måling af modstand. Robotarmen overførte prøverne fra modul til modul efter behov, og systemet forudsagde autonomt synteseparametrene for den næste iteration baseret på tidligere data. For forudsigelsen, de brugte den Bayesianske optimeringsalgoritme.

Utroligt nok, deres CASH-opsætning formåede at producere og teste omkring tolv prøver om dagen, en tidoblet stigning i gennemløbet sammenlignet med, hvad forskere manuelt kan opnå i et konventionelt laboratorium. Ud over denne betydelige stigning i hastigheden, en af ​​de vigtigste fordele ved CASH-strategien er muligheden for at skabe enorme delte databaser, der beskriver, hvordan materialeegenskaber varierer alt efter synteseforhold. I denne forbindelse Prof Hitosugi bemærker:"I dag, databaser over stoffer og deres egenskaber forbliver ufuldstændige. Med CASH-tilgangen, vi kunne nemt færdiggøre dem og derefter opdage skjulte materialeegenskaber, fører til opdagelsen af ​​nye fysiklove og resulterer i indsigt gennem statistisk analyse."

Forskerholdet mener, at CASH-tilgangen vil medføre en revolution inden for materialevidenskab. Databaser genereret hurtigt og ubesværet af CASH-systemer vil blive kombineret til big data, og videnskabsmænd vil bruge avancerede algoritmer til at behandle dem og udtrække menneskeligt forståelige udtryk. Imidlertid, som prof Hitosugi bemærker, maskinlæring og robotteknologi alene kan ikke finde indsigt eller opdage begreber inden for fysik og kemi. "Uddannelsen af ​​fremtidige materialeforskere skal udvikle sig; de bliver nødt til at forstå, hvad maskinlæring kan løse og indstille problemet i overensstemmelse hermed. Menneskeforskernes styrke ligger i at skabe koncepter eller identificere problemer i samfundet. At kombinere disse styrker med maskinlæring og robotteknologi er meget vigtigt, " han siger.

Samlet set, denne perspektivartikel fremhæver de enorme fordele, som automatisering kan bringe for materialevidenskab. Hvis vægten af ​​gentagne opgaver løftes fra forskernes skuldre, de vil være i stand til at fokusere mere på at afsløre den materielle verdens hemmeligheder til gavn for menneskeheden.