Videnskab
 Science >> Videnskab >  >> Kemi

Fungerer AI-drevne kemi-laboratorier rent faktisk? Nye målinger lover svar

Nøglemålinger til kvantificering af ydeevne i SDL'er. De illustrerede metrikker inkluderer grad af autonomi, driftslevetid, gennemløb, eksperimentel præcision, materialeforbrug, tilgængelig parameterplads og optimeringseffektivitet. Kredit:Nature Communications (2024). DOI:10.1038/s41467-024-45569-5

Områderne inden for kemi og materialevidenskab oplever en stigning i interessen for "selvkørende laboratorier", som gør brug af kunstig intelligens (AI) og automatiserede systemer til at fremskynde forskning og opdagelse. Forskere foreslår nu en række definitioner og præstationsmålinger, der vil give forskere, ikke-eksperter og fremtidige brugere mulighed for bedre at forstå både, hvad disse nye teknologier gør, og hvordan hver teknologi klarer sig i forhold til andre selvkørende laboratorier.



Selvkørende laboratorier har et enormt løfte om at accelerere opdagelsen af ​​nye molekyler, materialer og fremstillingsprocesser, med applikationer lige fra elektroniske enheder til lægemidler. Selvom teknologierne stadig er ret nye, har nogle vist sig at reducere den tid, det tager at identificere nye materialer fra måneder eller år til dage.

"Selvkørende laboratorier høster stor opmærksomhed lige nu, men der er mange udestående spørgsmål vedrørende disse teknologier," siger Milad Abolhasani, tilsvarende forfatter til et papir om de nye målinger og en lektor i kemisk og biomolekylær teknik. ved North Carolina State University.

"Denne teknologi beskrives som værende 'autonom', men forskellige forskerhold definerer 'autonome' forskelligt. På samme måde rapporterer forskellige forskerhold om forskellige elementer af deres arbejde på forskellige måder. Dette gør det vanskeligt at sammenligne disse teknologier med hinanden, og sammenligning er vigtig, hvis vi vil kunne lære af hinanden og skubbe feltet fremad.

"Hvad gør Self-Driving Lab A virkelig godt? Hvordan kunne vi bruge det til at forbedre ydeevnen af ​​Self-Driving Lab B? Vi foreslår et sæt fælles definitioner og præstationsmålinger, som vi håber vil blive vedtaget af alle, der arbejder i dette rum. Slutmålet vil være at give os alle mulighed for at lære af hinanden og fremme disse kraftfulde forskningsaccelerationsteknologier."

"For eksempel ser vi ud til at se nogle udfordringer i selvkørende laboratorier relateret til ydeevnen, præcisionen og robustheden af ​​nogle autonome systemer," siger Abolhasani.

"Dette rejser spørgsmål om, hvor nyttige disse teknologier kan være. Hvis vi har standardiserede målinger og rapportering af resultater, kan vi identificere disse udfordringer og bedre forstå, hvordan vi løser dem."

Kernen i det nye forslag er en klar definition af selvkørende laboratorier og syv foreslåede præstationsmålinger, som forskere vil inkludere i ethvert offentliggjort arbejde relateret til deres selvkørende laboratorier.

  • Grad af autonomi:hvor meget vejledning har et system brug for fra brugere?
  • Driftslevetid:hvor længe kan systemet fungere uden indgriben fra brugerne?
  • Throughput:Hvor lang tid tager det systemet at køre et enkelt eksperiment?
  • Eksperimentel præcision:Hvor reproducerbare er systemets resultater?
  • Materialeforbrug:Hvad er den samlede mængde materialer, der bruges af et system til hvert eksperiment?
  • Tilgængelig parameterplads:I hvor høj grad kan systemet tage højde for alle variablerne i hvert eksperiment?
  • Optimeringseffektivitet.

"Optimeringseffektivitet er en af ​​de vigtigste af disse målinger, men den er også en af ​​de mest komplekse - den egner sig ikke til en kortfattet definition," siger Abolhasani. "I bund og grund ønsker vi, at forskere kvantitativt analyserer ydeevnen af ​​deres selvkørende laboratorium og dets eksperimentudvælgelsesalgoritme ved at benchmarke det mod en baseline - for eksempel tilfældig stikprøve."

"I sidste ende tror vi, at en standardiseret tilgang til rapportering om selvkørende laboratorier vil bidrage til at sikre, at dette felt producerer troværdige, reproducerbare resultater, der får mest muligt ud af AI-programmer, der udnytter de store datasæt af høj kvalitet, der er produceret af sig selv. -kørselslaboratorier," siger Abolhasani.

Artiklen, "Performance Metrics to Unleash the Power of Self-Driving Labs in Chemistry and Materials Science," er offentliggjort med åben adgang i tidsskriftet Nature Communications .

Flere oplysninger: Amanda A. Volk et al., Ydelsesmålinger til at frigøre kraften i selvkørende laboratorier inden for kemi og materialevidenskab, Nature Communications (2024). DOI:10.1038/s41467-024-45569-5

Leveret af North Carolina State University




Varme artikler