Az anyagtudomány forradalma? Egy új AI módszer jelentősen csökkenti a kutatás hulladékát

„Önjáró” laboratórium segítségével születhetnek újjá az anyagkutatás megoldásai. Nem elég, hogy kevesebb hulladékot termel, sokkal rövidebb idő alatt produkál sokkal több adatot, mint a hagyományos kutatási megoldások.

Jelentősen növeli az anyagkutatás hatékonyságát az Észak-Karolinai Állami Egyetem (NC) új fejlesztése, amely lehetővé teszi, hogy úgynevezett önvezető laboratóriumok legalább tízszer annyi adatot gyűjtsenek össze rekordidő alatt, mint a korábban használt módszerek. A The Engineer riportja szerint az önállóan működő laboratóriumok gépi tanuláson és automatizáláson alapuló robotrendszerek, amelyek kémiai és anyagtudományi eljárásokkal kombinálva gyorsítják az anyagok felfedezését.

És a rendszer minden egyes kísérlet eredményét beépíti a következő lépés meghatározásába.

„Képzeljük el, hogy a tudósok néhány nap alatt felfedezhetnek áttörést jelentő anyagokat tiszta energiához, új elektronikai eszközökhöz vagy fenntartható vegyszerekhez – úgy, hogy közben csak az anyagok töredékét használják fel, és jóval kevesebb hulladékot termelnek, mint korábban” – vázolta Milad Abolhasani, a Nature-ben megjelent tanulmány vezető szerzője.

A biomolekuláris és vegyészmérnök professzor bejelentette, hogy létrehoztak egy olyan önvezető labort, amely „dinamikus áramlási kísérleteket használ: a rendszeren belül folyamatosan változik a kémiai elegyek összetétele, és ez valós időben követhető”.

„Más szóval: ahelyett, hogy külön mintákat futtatnánk a rendszeren, és azokat egyenként, a stabil állapot elérése után vizsgálnánk, olyan rendszert építettünk, amely gyakorlatilag sosem áll le. A minta folyamatosan mozog, és mivel a rendszer folyamatosan vizsgálja is azt, fél másodpercenként tudunk adatokat gyűjteni arról, hogy mi történik a mintában” – foglalta össze Abolhasani.

Az AI sokkal jobb megoldást nyújt, mint az eddigi kísérletek

A korábbi önvezető laborok stacionárius áramlású kísérletekre épültek: különféle előanyagokat kevertek össze, amelyek mikrocsatornákon keresztül áramolva reagáltak, majd a reakció után szenzorok vizsgálták meg az eredményeket. Ez a módszer hetekkel vagy hónapokkal rövidítette le az anyagjelöltek azonosítását, miközben csökkentette a költségeket és a környezeti hatásokat. Fontos ugyanakkor, hogy ebben az esetben a rendszer tétlenül vár, egészen addig, amíg a reakciók lezajlanak. Az állási idő ilyen módon egy óra is lehet, minden egyes kísérlet során.

Ezt a bevett gyakorlatot adhatja át a múltnak az NC vadonatúj eljárása, amit a kutatást vezető professzor leírása alapján egyrészt húszszorosára növeli a vizsgálható adatpontok számát, másrészt tizedére csökkenti a kísérletek időtartamát.

„Nem kell várnunk, míg egy kísérlet véget ér – a rendszer mindig működik, mindig tanul.” A kutatócsoport szerint ez a többletadat jelentősen javítja a laboratórium teljesítményét.

Az önvezető laborok legfontosabb eleme az a gépi tanulási algoritmus, amely előrejelzi, hogy a rendszernek legközelebb melyik kísérletet kell elvégeznie. Ez az adatok folyamatos áramlására épülő megközelítés lehetővé teszi, hogy az algoritmus gyorsabban és okosabban döntsön, és így sokkal hamarabb eljusson az optimális anyagokhoz és eljárásokhoz.

„Minél több jó minőségű kísérleti adat áll rendelkezésre, annál pontosabbá válnak az algoritmus előrejelzései, és annál gyorsabban talál megoldást. Ez ráadásul azt is jelenti, hogy kevesebb vegyszerre van szükség ahhoz, hogy elérjük a kívánt eredményt” – szögezte le Abolhasani.

A kutatás során a csapat kimutatta, hogy a dinamikus áramlási rendszerrel felszerelt önvezető labor legalább tízszer több adatot gyűjtött ugyanannyi idő alatt, mint a korábbi, stacionárius áramlású rendszerek. A tanulási szakasz után a rendszer már az első próbálkozásra azonosította a legígéretesebb anyagjelölteket.

A címlapkép illusztráció. Forrás: Freepik