Virtuelt laboratorium finder det rigtige AI-værktøj til hvert kemiproblem

At have det rigtige værktøj til jobbet gør arbejdet meget lettere, billigere og hurtigere. Kemiingeniørforskere har nu udviklet et virtuelt laboratorium, der kan bruges til at bestemme de kunstig intelligens (AI) værktøjer, der er bedst egnede til at løse forskellige kemiske synteseudfordringer i flowkemisystemer.

"Autonome systemer har et enormt potentiale til at accelerere kemisk forskning og udvikling og fremstilling, men de er ikke i udbredt brug endnu, " siger Milad Abolhasani, tilsvarende forfatter til et papir om arbejdet og en assisterende professor i kemiteknik ved North Carolina State University. "Disse systemer står over for to slags udfordringer:at finde eller udvikle den rigtige hardware til pålidelig, reproducerbar automatiseret syntese; og finde eller udvikle den højre hjerne, ' eller AI-styret beslutningstagningsalgoritme, for effektivt at bestemme den bedste måde at syntetisere det ønskede materiale på. Mit team fokuserede på hardwareudfordringerne med vores Artificial Chemist-projekt. Det arbejde, vi udgiver nu, er fokuseret på at løse de selvstændige beslutningstagningsudfordringer."

Abolhasanis arbejde stammer fra hans observation af, at:A) der er en masse forskellige AI-værktøjer tilgængelige; B) det er ikke altid klart, hvilket værktøj der passer bedst til et givet materialesynteseproblem; og C) hvilket værktøj der end er valgt, det vil altid skulle finjusteres ud fra kemiproblemet.

"For nylig, der har været øget interesse for at bruge off-the-shelf AI-programmer til modellering og optimering af kemiske reaktioner, " Abolhasani siger. "Men de der hyldevare AI-teknikker er ikke one-size-fits-all - de er ikke alle lige gode til at løse det materialesynteseproblem, du vil løse.

"Ultimativt, vi ønsker at finde den bedste AI-modelarkitektur til at bestemme den bedste materialeformulering, der giver dig de målegenskaber, du leder efter. Ikke kun at identificere det bedste materiale, men den bedste måde at fremstille dette materiale på, så det har den bedst mulige kombination af egenskaber. Og den bedste AI-modelarkitektur vil variere afhængigt af materialet og kompleksiteten af ​​udfordringen."

Så Abolhasani og hans samarbejdspartnere tog en AI-drevet tilgang til at finde det bedste AI-værktøj til hvert materialesynteseproblem.

"Det ville være umuligt at udføre de millioner af eksperimenter, der er nødvendige for at bestemme, hvilke AI-værktøjer der gør det bedste stykke arbejde til at løse forskellige slags materialesynteseproblemer, " siger Abolhasani. "Så, vi ønskede en model, der simulerer en mikrofluidisk eksperimentel platform i den virkelige verden til effektivt at køre disse millioner af eksperimenter for os."

Forskerne kørte 1, 000 eksperimenter ved at bruge deres automatiserede Artificial Chemist-platform og brugte disse eksperimentelle datapunkter til at træne den virtuelle eksperimentelle platform.

For det arbejde, der er rapporteret i det nye papir, det virtuelle laboratorium simulerede mere end 600, 000 eksperimenter, vurderer mere end 150 AI-guidede beslutningsstrategier. Hvis disse eksperimenter blev kørt i den virkelige verden, selv ved at bruge automatiserede systemer og mikroskala mængder af materiale, eksperimenterne ville have taget 7,5 års kontinuerlig robotdrift og 400 liter reagenser. Abolhasanis team gjorde det på omkring en måned.

"Vi har effektivt trænet vores virtuelle laboratorium til at vælge de bedste AI-værktøjer til hver materialesynteseudfordring, " siger Abolhasani. "Og disse værktøjer bliver mere effektive, hver gang vi bruger dem, hjælper os med at løse stadig mere komplekse udfordringer inden for kemi og kemiteknik. Ultimativt, vi tror, ​​at disse AI-drevne værktøjer vil være i stand til at fungere hurtigt nok til at justere operationerne efter behov i realtid."

Papiret, "Accelereret AI-udvikling til autonom materialesyntese i flow, " er offentliggjort i tidsskriftet Kemisk Videnskab .