Самоходные лаборатории - это роботизированные платформы, которые сочетают машинное обучение и автоматизацию с химическими науками и науками о материалах для более быстрого обнаружения материалов. Автоматизированный процесс позволяет алгоритмам машинного обучения использовать данные каждого эксперимента при прогнозировании того, какой эксперимент провести следующим для достижения любой цели, запрограммированной в системе.

"Представьте, если бы ученые могли открыть прорывные материалы для чистой энергетики, новой электроники или экологически чистых химикатов за несколько дней, а не лет, используя лишь малую часть материалов и производя гораздо меньше отходов, чем при существующем положении вещей", - говорит Милад Аболхасани, автор статьи о работе и профессор химической и фармацевтической промышленности ALCOA. Биомолекулярная инженерия в Университете штата Северная Каролина. "Эта работа приближает это будущее еще на один шаг".

До сих пор самодвижущиеся лаборатории, использующие реакторы непрерывного действия, полагались на эксперименты со стационарным потоком. В этих экспериментах различные прекурсоры смешиваются вместе, и происходят химические реакции, непрерывно протекающие в микроканале. Затем, после завершения реакции, полученный продукт характеризуется набором датчиков.

"Этот устоявшийся подход к самодвижущимся лабораториям оказал огромное влияние на открытие материалов", - говорит Аболхасани. "Это позволяет нам выявлять перспективные материалы-кандидаты для конкретных применений за несколько месяцев или недель, а не лет, снижая при этом как затраты, так и воздействие работ на окружающую среду. Однако все еще оставалось место для улучшения".

Эксперименты с установившимся потоком требуют, чтобы лаборатория с автономным управлением ждала протекания химической реакции, прежде чем определять характеристики полученного материала. Это означает, что система простаивает, пока происходят реакции, что может занимать до часа на каждый эксперимент.

"Теперь мы создали автономную лабораторию, которая использует эксперименты с динамическим потоком, где химические смеси непрерывно изменяются с помощью системы и контролируются в режиме реального времени", - говорит Аболхасани. "Другими словами, вместо того, чтобы прогонять отдельные образцы через систему и тестировать их по одному после достижения устойчивого состояния, мы создали систему, которая, по сути, никогда не прекращает работать. Образец непрерывно перемещается по системе, и, поскольку система никогда не прекращает характеризовать образец, мы можем собирать данные о том, что происходит в образце каждые полсекунды.

"Например, вместо того, чтобы иметь одну точку данных о том, что дает эксперимент через 10 секунд времени реакции, у нас есть 20 точек данных - одна через 0,5 секунды времени реакции, одна через 1 секунду времени реакции и так далее. Это все равно что переключиться с одного снимка на полный фильм о реакции по мере того, как это происходит. Вместо того чтобы ждать завершения каждого эксперимента, наша система всегда работает, всегда учится".

Сбор такого количества дополнительных данных оказывает большое влияние на производительность лаборатории самостоятельного вождения.

"Наиболее важной частью любой лаборатории с автономным управлением является алгоритм машинного обучения, который система использует для прогнозирования того, какой эксперимент ей следует провести следующим", - говорит Аболхасани. "Этот подход к потоковой передаче данных позволяет машинному обучающемуся мозгу лаборатории самостоятельного вождения принимать более разумные и быстрые решения, оттачивая оптимальные материалы и процессы в кратчайшие сроки. Это потому, что чем больше высококачественных экспериментальных данных получает алгоритм, тем точнее становятся его предсказания и тем быстрее он может решить проблему. Это имеет дополнительное преимущество в виде уменьшения количества химических веществ, необходимых для получения решения".

В этой работе исследователи обнаружили, что лаборатория с автономным управлением, которая включала систему динамического потока, сгенерировала по меньшей мере в 10 раз больше данных, чем лаборатории с автономным управлением, которые использовали эксперименты со стационарным потоком за тот же период времени, и смогла определить лучшие материалы-кандидаты с первой попытки после обучения.

"Этот прорыв связан не только со скоростью", - говорит Аболхасани. "Сокращая количество необходимых экспериментов, система значительно сокращает использование химических веществ и количество отходов, продвигая более устойчивые методы исследований.

"Будущее открытия материалов зависит не только от того, насколько быстро мы сможем продвигаться вперед, но и от того, насколько ответственно мы подходим к этому", - говорит Аболхасани. "Наш подход означает меньшее количество химикатов, меньше отходов и более быстрые решения самых сложных проблем общества".

Статья "Интенсификация данных, управляемая потоком, для ускорения поиска автономных материалов" будет опубликована 14 июля в журнале Nature Chemical Engineering. Соавторами статьи являются Фернандо Дельгадо-Ликона, аспирант университета Северной Каролины; Абдулрахман Альсайари, студент магистратуры университета Северной Каролины; и Ханна Дикерсон, бывшая студентка университета Северной Каролины. Соавторами статьи были Филип Клем, студент университета Северной Каролины; Аруп Гораи, бывший постдокторский исследователь университета Северной Каролины; Ричард Кэнти и Джеффри Беннетт, нынешние постдокторские исследователи университета Северной Каролины; Прагьян Джа, Николай Мухин, Джунбин Ли и Сина Садеги, аспиранты университета Северной Каролины; Фазель Батени, бывший аспирант университета Северной Каролины; и Энрике А. Лопес-Гуахардо из Технологического института Монтеррея.

Эта работа была выполнена при поддержке Национального научного фонда в рамках грантов 1940959, 2315996 и 2420490, а также программы Инициативы исследовательских возможностей Университета Северной Каролины.