Os modelos de aprendizado de máquina podem acelerar a descoberta de novos materiais, fazendo previsões e sugerindo experimentos. Mas a maioria dos modelos hoje considera apenas alguns tipos específicos de dados ou variáveis. Evaluate isso com os cientistas humanos, que trabalham em um ambiente colaborativo e consideram resultados experimentais, a literatura científica mais ampla, a análise e análise estrutural, experiência ou intuição pessoal e contribuições de colegas e revisores de pares.
Agora, os pesquisadores do MIT desenvolveram um método para otimizar receitas de materiais e experiências de planejamento que incorporam informações de diversas fontes, como insights da literatura, composições químicas, imagens microestruturais e muito mais. A abordagem faz parte de uma nova plataforma, chamada Copilot para cientistas experimentais do mundo actual (CREST), que também usa equipamentos robóticos para testes de materiais de alto rendimento, cujos resultados são devolvidos a grandes modelos multimodais para otimizar ainda mais as receitas de materiais.
Os pesquisadores humanos podem conversar com o sistema em linguagem pure, sem necessidade de codificação, e o sistema faz suas próprias observações e hipóteses ao longo do caminho. Câmeras e modelos de linguagem visible também permitem que o sistema monitore experimentos, detecte problemas e sugerisse correções.
“No campo da IA para a ciência, a chave está projetando novos experimentos”, diz Ju Li, escola de engenharia de engenharia Carl Richard Soderberg, professor de engenharia de energia. “Usamos o suggestions multimodal – por exemplo, informações da literatura anterior sobre como o paládio se comportava nas células de combustível a essa temperatura e no suggestions humano – para complementar dados experimentais e projetar novos experimentos. Também usamos robôs para sintetizar e caracterizar a estrutura do materials e testar o desempenho.”
O sistema é descrito em um Artigo publicado em Natureza. Os pesquisadores usaram o CREST para explorar mais de 900 químicas e conduzir 3.500 testes eletroquímicos, levando à descoberta de um materials catalisador que forneceu densidade de potência recorde em uma célula de combustível que é executada em sal de sal para produzir eletricidade.
Juntando-se a Li no artigo como os primeiros autores estão o aluno de doutorado Zhen Zhang, Zhichu Ren PhD ’24, PhD Scholar Chia-Wei Hsu e PostDoc Weibin Chen. Seus co -autores são o professor assistente do MIT IWNetim Abate; Professor Associado Pulkit Agrawal; Jr Professor de Engenharia do Leste Yang Shao-Horn; MIT.Nano Pesquisador Aubrey Penn; Zhang-Wei Hong PhD ’25, Hongbin Xu PhD ’25; Daniel Zheng PhD ’25; Estudantes de pós -graduação do MIT Shuhan Miao e Hugh Smith; MIT PostDocs Yimeng Huang, Weiyin Chen, Yungsheng Tian, Yifan Gao e Yaoshen Niu; ex -MIT Postdoc sipei li; e colaboradores, incluindo Chi-Feng Lee, Yu-Cheng Shao, Hsiao-Tsu Wang e Ying-Rui Lu.
Um sistema mais inteligente
Experimentos de ciência de materiais podem ser demorados e caros. Eles exigem que os pesquisadores projetem cuidadosamente fluxos de trabalho, façam um novo materials e executem uma série de testes e análises para entender o que aconteceu. Esses resultados são usados para decidir como melhorar o materials.
Para melhorar o processo, alguns pesquisadores se voltaram para uma estratégia de aprendizado de máquina conhecida como aprendizado ativo para fazer uso eficiente de pontos de dados experimentais anteriores e explorar ou explorar esses dados. Quando combinados com uma técnica estatística conhecida como otimização bayesiana (BO), o aprendizado ativo ajudou os pesquisadores a identificar novos materiais para coisas como baterias e semicondutores avançados.
“A otimização bayesiana é como a Netflix recomendando o próximo filme para assistir com base no seu histórico de visualização, exceto que recomenda o próximo experimento”, explica Li. “Mas a otimização bayesiana básica é muito simplista. Ele usa um espaço de design em caixa; portanto, se eu disser que vou usar platina, paládio e ferro, isso apenas altera a proporção desses elementos nesse pequeno espaço. Mas os materiais reais têm muito mais dependências, e Bo geralmente se perde.”
A maioria das abordagens de aprendizado ativo também se baseia em fluxos de dados únicos que não capturam tudo o que acontece em um experimento. Para equipar os sistemas computacionais com um conhecimento mais humano, enquanto ainda aproveita a velocidade e o controle dos sistemas automatizados, Li e seus colaboradores construíram o crista.
O equipamento robótico da CREST inclui um robô de manuseio líquido, um sistema de choque carbotérmico para sintetizar rapidamente os materiais, uma estação de trabalho eletroquímica automatizada para teste, equipamentos de caracterização, incluindo microscopia eletrônica automatizada e microscopia óptica e dispositivos auxiliares, como bombas e válvulas de gás, que também podem ser controladas com remoção. Muitos parâmetros de processamento também podem ser ajustados.
Com a interface do usuário, os pesquisadores podem conversar com o Crest e pedir para usar o Aprendizagem Ativa para encontrar receitas promissoras de materiais para diferentes projetos. O CREST pode incluir até 20 moléculas e substratos precursores em sua receita. Para orientar os projetos de materiais, os modelos de Crest pesquisam em artigos científicos para descrições de elementos ou moléculas precursoras que podem ser úteis. Quando os pesquisadores humanos dizem ao CREST para buscar novas receitas, inicia uma sinfonia robótica de preparação, caracterização e teste de amostras. O pesquisador também pode solicitar à CREST para executar a análise de imagem a partir de imagens de microscopia eletrônica de varredura, difração de raios-X e outras fontes.
As informações desses processos são usadas para treinar os modelos de aprendizado ativo, que usam o conhecimento da literatura e os resultados experimentais atuais para sugerir experimentos adicionais e acelerar a descoberta de materiais.
“Para cada receita, usamos texto ou banco de dados da literatura anterior e cria essas enormes representações de todas as receitas com base na base de conhecimento anterior antes mesmo de fazer o experimento”, diz Li. “Realizamos a análise de componentes principais neste espaço de incorporação de conhecimento para obter um espaço de pesquisa reduzido que captura a maior parte da variabilidade de desempenho. Depois, usamos a otimização bayesiana nesse espaço reduzido para projetar o novo experimento. Após o novo experimento, alimentamos recém -adquiridos dados experimentais multimodais.
Os experimentos de ciência dos materiais também podem enfrentar desafios de reprodutibilidade. Para resolver o problema, o CREST monitora seus experimentos com câmeras, procurando problemas em potencial e sugerindo soluções through texto e voz para pesquisadores humanos.
Os pesquisadores usaram o Crest para desenvolver um materials de eletrodo para um tipo avançado de célula de combustível de alta densidade, conhecida como célula de combustível de formato direto. Depois de explorar mais de 900 químicas em três meses, Crest descobriu um materials catalisador feito de oito elementos que alcançaram uma melhoria de 9,3 vezes na densidade de potência por dólar em relação ao paládio puro, um steel precioso caro. Em mais testes, o materials de Crests foi usado para fornecer uma densidade de potência recorde a uma célula de combustível de formato direto em funcionamento, embora a célula tenha contido apenas um quarto dos metais preciosos dos dispositivos anteriores.
Os resultados mostram o potencial de Crest encontrar soluções para problemas de energia do mundo actual que atormentam a comunidade de ciência e engenharia de materiais há décadas.
“Um desafio significativo para os catalisadores de células de combustível é o uso de steel precioso”, diz Zhang. “Para células de combustível, os pesquisadores usaram vários metais preciosos, como paládio e platina. Utilizamos um catalisador de vários metros que também incorpora muitos outros elementos baratos para criar o ambiente de coordenação splendid para a atividade catalítica e a resistência a essas espécies de envenenamento, como o monóxido de carbono e o átomo de hidrogênio adsorvido.
Um assistente útil
No início, a baixa reprodutibilidade surgiu como um grande problema que limitou a capacidade dos pesquisadores de realizar sua nova técnica de aprendizado ativo em conjuntos de dados experimentais. As propriedades do materials podem ser influenciadas pela maneira como os precursores são misturados e processados, e qualquer número de problemas pode alterar sutilmente as condições experimentais, exigindo uma inspeção cuidadosa para corrigir.
Para automatizar parcialmente o processo, os pesquisadores acoplaram a visão computacional e modelos de linguagem de visão com o conhecimento do domínio da literatura científica, o que permitiu ao sistema a hipótese de fontes de irreprodutibilidade e propõe soluções. Por exemplo, os modelos podem observar quando há um desvio do tamanho de milímetro na forma de uma amostra ou quando uma pipeta transfer algo fora do lugar. Os pesquisadores incorporaram algumas das sugestões do modelo, levando a uma maior consistência, sugerindo que os modelos já são bons assistentes experimentais.
Os pesquisadores observaram que os humanos ainda tinham realizada a maior parte da depuração em seus experimentos.
“Crest é um assistente, não um substituto, para pesquisadores humanos”, diz Li. “Os pesquisadores humanos ainda são indispensáveis. De fato, usamos a linguagem pure para que o sistema possa explicar o que está fazendo e presente observações e hipóteses. Mas este é um passo em direção a laboratórios mais flexíveis e autônomos”.