آزمایشگاه شیمی رباتیک به نیروهای هوش مصنوعی گوگل پیوسته تا مواد معدنی جدید را پیش بینی و سپس ایجاد کند | پژوهش

هوش مصنوعی (AI) آموزش دیده بر اساس ادبیات علمی و ترکیب با یک پلت فرم شیمی خودکار برای کشف و سنتز ترکیبات معدنی استفاده شده است. محققان امیدوارند که بتوان از هوش مصنوعی برای تسریع در کشف مواد جدید مانند پلاستیک های قابل بازیافت و سیم های شفاف برای پنل های خورشیدی ارزان تر استفاده کرد.

کشف کریستال های معدنی از نظر انرژی مطلوب تمرکز اصلی شیمی حالت جامد است، اما شناسایی مواد جدید امیدوارکننده بدون اتوماسیون می تواند چالش برانگیز و زمان بر باشد.

در اولین مقاله از دو مقاله در مورد این موضوع، محققان در Google DeepMind یک ابزار یادگیری عمیق به نام شبکه‌های گراف برای اکتشاف مواد (Gnome) توسعه دادند که آنها بر روی یک مجموعه داده بزرگ و متنوع توسعه‌یافته توسط Materials Project، یک پایگاه داده با دسترسی آزاد، آموزش دادند. از آزمایشگاه ملی لارنس برکلی وزارت انرژی در سال 2011 – و از آن برای فیلتر کردن ساختارهای نامزد استفاده کرد.¹

آنها نشان دادند که با بهبود الگوریتم Gnome از طریق یادگیری فعال، توانستند 2.2 میلیون ساختار پایدار از جمله 381000 ورودی جدید برای پروژه Materials کشف کنند. محققان گفتند که این نشان دهنده یک “ترتیب انبساط نسبت به تمام یافته های قبلی” است.

او توضیح می‌دهد: «در ابتدای این فرآیند، ما حدود 10 درصد از مواد مورد نظرمان را دریافت می‌کردیم که واقعاً پایدار بودند. امیل تاجر، AI مقیم گوگل و محقق اصلی در این مطالعه. “در پایان آموزش و در پایان آن دوره های یادگیری فعال، این عدد بازده به 80٪ رسید.”

برخی از محاسبات Gnome به همراه داده‌های پروژه مواد برای آزمایش یک آزمایشگاه مستقل (A-Lab) استفاده شد که تمرکز مطالعه دوم بود.²

خودکارسازی شیمی معدنی

او توضیح می دهد: «ما در تلاش بودیم آزمایشگاهی بسازیم که بتواند به تنهایی کار کند یانگ زنگ، دانشمند آزمایشگاه ملی لارنس برکلی در ایالات متحده و یکی از محققانی که A-Lab را توسعه داده است. ما روی یک مشکل خاص در علم مواد تمرکز می کنیم، یعنی سنتز مواد، و به طور خاص، ما بر روی یک روش خاص سنتز تمرکز می کنیم. واکنش حالت جامد، یکی از محبوب ترین روش های تولید مواد، به ویژه مواد معدنی است.

A-Lab از داده های تاریخی از ادبیات علمی، یادگیری ماشینی و یادگیری فعال برای برنامه ریزی و تفسیر نتایج آزمایش های انجام شده توسط روبات ها استفاده می کند. در طول 17 روز کار مستقل، A-Lab 21 آزمایش در روز انجام داد و موفق به تولید 41 ترکیب جدید از 58 آزمایش شد. میزان موفقیت 71 درصد

این نوع سنتز حالت جامد معمولاً برای یک یا دو آزمایش یک یا دو روز طول می‌کشد… کل فرآیند بسیار خسته‌کننده است، زمان زیادی را در آزمایشگاه می‌طلبد، و همچنین زمان زیادی را برای انجام آزمایش می‌برد. Zeng توضیح می‌دهد که پس از اندازه‌گیری داده‌ها، داده‌ها را تجزیه و تحلیل کنید، اگر به صورت دستی انجام شود – بنابراین در اینجا راندمان واقعاً بالا می‌رود، حدود 50 تا 100 برابر.

Zeng همچنین تاکید کرد که A-Lab در مقایسه با انسان از دقت بالایی برخوردار است و به آن اجازه می‌دهد یک آزمایش را چندین بار با نرخ خطای بسیار پایین‌تری تکرار کند و قادر است از داده‌های گذشته برای اصلاح نقص‌ها از طریق یک سیستم حلقه بسته یاد بگیرد. محققان گفتند که با تغییرات جزئی در الگوریتم تصمیم‌گیری و بهبود تکنیک‌های محاسباتی مورد استفاده، میزان موفقیت A-Lab می‌تواند به ۸۰ درصد برسد.

“این دو مقاله با هم نشان دهنده یک گام بسیار مهم به جلو در توانایی ما برای پیش بینی مواد پایدار و سپس تبدیل آنها به شکل فیزیکی در آزمایشگاه است، و من فکر می کنم این یک پانچ قدرتمند یک یا دو است که واقعا سوزن را در این فضای مهم حرکت می دهد.” می گوید مارتین برکشیمیدان دانشگاه ایلینویز اوربانا-شامپین در ایالات متحده، که دارد علاقه به اتوماسیون.

با این حال، او می گوید محدودیت مهم این دو مطالعه این است که دانش جدیدی ارائه نمی دهند. یک سوال واقعا مهم این است که چگونه می‌توانیم قدرت این پیوند هوش مصنوعی و سنتز خودکار را به موتورهای کشف برای یافتن ویژگی‌های جدید و یافتن دانش جدید تبدیل کنیم. این یک سوال هیجان انگیز در آینده خواهد بود.

لی کرونینرئیس بخش شیمی دانشگاه گلاسکو می گوید که این دو مقاله “مطمئناً پیشرفت کرده اند”. این دلیلی است بر این که اگر گردش کار تمیزی دارید، می‌توانید ایده‌های تجربی جدیدی ایجاد کنید که سازگار هستند. کاغذها مشخصا کیفیت خوبی دارند [and give] حرکت بیشتر به سمت این ایده که می توان از هوش مصنوعی و داده های پاک استفاده کرد.

“اما من علاقه مندم که چگونه به آنجا برسیم. این خطر وجود دارد که مردم انجام آزمایش‌ها را متوقف کنند و فقط به شبیه‌سازی چیزها ادامه دهند… ما باید به دنبال جایی باشیم که ناهنجاری‌ها کجا هستند – هیجان زیادی رخ خواهد داد که بتوانیم از آنها برای یافتن ناهنجاری‌ها، چیزهای غیرمنتظره استفاده کنیم.»