Os pesquisadores demonstraram uma nova técnica que permite que “laboratórios autônomos” colete pelo menos 10 vezes mais dados do que as técnicas anteriores na velocidade recorde. O avanço – que é publicado em Nature Chemical Engineering – Expedita dramaticamente a pesquisa sobre descobertas de materiais, ao mesmo tempo em que corta os custos e o impacto ambiental.
Laboratórios autônomos são plataformas robóticas que combinam aprendizado de máquina e automação com ciências químicas e materiais para descobrir materiais mais rapidamente. O processo automatizado permite que os algoritmos de aprendizado de máquina utilizem dados de cada experimento ao prever qual experimento conduzir ao lado para atingir qualquer objetivo foi programado no sistema.
“Think about se os cientistas pudessem descobrir materiais inovadores para energia limpa, novos eletrônicos ou produtos químicos sustentáveis em dias, em vez de anos, usando apenas uma fração dos materiais e gerando muito menos desperdício do que o establishment”, diz Milad Abolhasani, autor correspondente de um artigo sobre o trabalho e o professor de produtos químicos e químicos e biomoleculares da North Carolina State College. “Este trabalho aproxima esse futuro um passo.”
Até agora, os laboratórios autônomos utilizando reatores de fluxo contínuos confiaram em experimentos de fluxo em estado estacionário. Nessas experiências, diferentes precursores são misturados e reações químicas ocorrem, enquanto flui continuamente em um microcanal. O produto resultante é então caracterizado por um conjunto de sensores assim que a reação estiver concluída.
“Essa abordagem estabelecida para os laboratórios autônomos teve um impacto dramático na descoberta de materiais”, diz Abolhasani. “Isso nos permite identificar candidatos materiais promissores para aplicações específicas em alguns meses ou semanas, em vez de anos, reduzindo os custos e o impacto ambiental do trabalho. No entanto, ainda havia espaço para melhorias”.
Os experimentos de fluxo em estado estacionário exigem que o laboratório autônomo aguarde a reação química ocorrer antes de caracterizar o materials resultante. Isso significa que o sistema fica ocioso enquanto as reações ocorrem, o que pode levar até uma hora por experimento.
“Agora criamos um laboratório autônomo que faz uso de experimentos de fluxo dinâmico, onde as misturas químicas são continuamente variadas através do sistema e são monitoradas em tempo actual”, diz Abolhasani. “Em outras palavras, em vez de executar amostras separadas através do sistema e testá-las uma de cada vez depois de atingir o estado estacionário, criamos um sistema que essencialmente nunca para de funcionar. A amostra está se movendo continuamente pelo sistema e, porque o sistema nunca para de caracterizar a amostra, podemos capturar dados sobre o que está ocorrendo na amostra a cada meia segunda.
“Por exemplo, em vez de ter um ponto de dados sobre o que o experimento produz após 10 segundos de tempo de reação, temos 20 pontos de dados – um após 0,5 segundos de tempo de reação, um após 1 segundo do tempo de reação, e assim por diante. É como mudar de um único instantâneo para um filme completo, sempre aprendendo:”
A coleta de tantos dados adicionais tem um grande impacto no desempenho do laboratório autônomo.
“A parte mais importante de qualquer laboratório autônomo é o algoritmo de aprendizado de máquina que o sistema usa para prever qual experimento deve realizar a seguir”, diz Abolhasani. “Essa abordagem de dados de streaming permite que o cérebro de aprendizado de máquina do laboratório autônomo faça decisões mais inteligentes e mais rápidas, aprimorando materiais e processos ideais em uma fração do tempo. Isso ocorre porque os dados experimentais mais de alta qualidade que podem ser reduzidos para o algoritmo recebem, mais precisa se tornarem que se tornam as respostas, e a que pode ser necessária a que o algoritmo é mais preciso, que se torna mais preciso que se torne a queda, e a que se torna mais rápida que pode ser necessária para que o algoritmo receba a que se torna mais precisa e que se torne mais fácil, e a quantidade que se torna mais fácil de se tornar a que se torna mais fácil de que se torna uma quantidade que pode ser necessária para que a quantidade seja que a qual seja a queda de que a solução é mais precisa e a que se torna mais precisa e a que se torna mais fácil de ser a que pode ser necessária para que seja mais fácil que se torne mais acelerado.
Neste trabalho, os pesquisadores encontraram o laboratório autônomo que incorporava um sistema de fluxo dinâmico gerou pelo menos 10 vezes mais dados do que os laboratórios autônomos que usaram experimentos de fluxo em estado estacionário durante o mesmo período de tempo e foram capazes de identificar os melhores candidatos materiais na primeira tentativa após o treinamento.
“Esse avanço não é apenas sobre velocidade”, diz Abolhasani. “Ao reduzir o número de experimentos necessários, o sistema reduz drasticamente o uso e o desperdício de produtos químicos, avançando práticas de pesquisa mais sustentáveis.
“O futuro da descoberta de materiais não é apenas a rapidez com que podemos ir, mas também sobre a responsabilidade de chegarmos lá”, diz Abolhasani. “Nossa abordagem significa menos produtos químicos, menos desperdício e soluções mais rápidas para os desafios mais difíceis da sociedade”.
O artigo, “Intensificação de dados acionados por fluxo para acelerar a descoberta de materiais autônomos”, será publicada em 14 de julho na revista Nature Chemical Engineering. Os autores co-líderes do artigo são Fernando Delgado-Licona, um Ph.D. estudante no estado da NC; Abdulrahman Alsaiari, um estudante de mestrado no estado da NC; e Hannah Dickerson, ex -estudante de graduação no Estado da NC. O artigo foi co-autor de Philip Klem, uma graduação no Estado da NC; Arup Ghorai, ex -pesquisador de pós -doutorado do estado da NC; Richard Canty e Jeffrey Bennett, atuais pesquisadores de pós -doutorado do estado da NC; Pragyan Jha, Nikolai Mukhin, Junbin Li e Sina Sadeghi, Ph.D. estudantes do estado da NC; Fazel Bateni, um ex -Ph.D. estudante no estado da NC; e Enrique A. López-Guajardo de Tecnologico de Monterrey.
Este trabalho foi realizado com o apoio da Nationwide Science Basis sob doações 1940959, 2315996 e 2420490; e do Programa de Iniciativa de Oportunidades de Pesquisa da Universidade da Carolina do Norte.
