Maschinenlernende Modelle können die Entdeckung neuer Materialien durch Vorhersagen und Experimente beschleunigen. Die meisten Modelle werden heute jedoch nur einige spezifische Arten von Daten oder Variablen berücksichtigen. Vergleichen Sie das mit menschlichen Wissenschaftlern, die in einem kollaborativen Umfeld arbeiten und experimentelle Ergebnisse berücksichtigen, die breitere wissenschaftliche Literatur, Bildgebung und strukturelle Analyse, persönliche Erfahrung oder Instinct sowie Enter von Kollegen und Peer -Rezensenten.
Jetzt haben MIT -Forscher eine Methode zur Optimierung von Materialrezepten und Planungsexperimenten entwickelt, die Informationen aus verschiedenen Quellen wie Erkenntnissen aus der Literatur, chemischen Zusammensetzungen, mikrostrukturellen Bildern und vielem mehr enthalten. Der Ansatz ist Teil einer neuen Plattform namens Copilot für experimentelle Wissenschaftler (CREST), die auch Robotergeräte für hochdurchsatz-Materialtests verwendet.
Menschliche Forscher können sich mit dem System in der natürlichen Sprache unterhalten, ohne dass das System erforderlich ist, und das System macht seine eigenen Beobachtungen und Hypothesen auf dem Weg. Mit Kameras und visuellen Sprachmodellen können das System auch Experimente überwachen, Probleme erkennen und Korrekturen vorschlagen.
„Im Bereich der KI für die Wissenschaft ist der Schlüssel, neue Experimente zu entwerfen“, sagt Ju Li, Professor für Energy Engineering Carl Richard Soderberg, Ju Li. „Wir verwenden multimodales Suggestions – beispielsweise Informationen aus der vorherigen Literatur darüber, wie sich Palladium in Brennstoffzellen bei dieser Temperatur und menschlichem Suggestions verhalten hat, um experimentelle Daten zu ergänzen und neue Experimente zu entwerfen. Wir verwenden auch Roboter, um die Struktur des Supplies zu synthetisieren und zu charakterisieren und die Leistung zu testen.“
Das System wird in a beschrieben Papier veröffentlicht in Natur. Die Forscher verwendeten Crest, um mehr als 900 Chemikalien zu erforschen und 3.500 elektrochemische Exams durchzuführen, was zur Entdeckung eines Katalysatormaterials führte, das in einer Brennstoffzelle, die mit Formatsalz zur Erzeugung von Elektrizität läuft, die Rekorddichte lieferte.
Zu Li in der Zeitung als erste Autoren, PhD-Scholar Zhen Zhang, Zhichu Ren PhD ’24, PhD-Scholar Chia-Wei Hsu und Postdoc Weibin Chen. Ihre Co -Autoren sind MIT Assistenzprofessor Iwnetim Abate; Affiliate Professor Pulkit Agrawal; JR East Professor für Ingenieurwesen Yang Shao-Horn; MIT.NANO -Forscher Aubrey Penn; Zhangweig PhD ’25, Hongbin Xu PhD ’25; Daniel Zheng PhD ’25; MIT -Doktoranden Shuhan Miao und Hugh Smith; MIT Postdocs Yimeng Huang, Weiyin Chen, Yungsheng Tian, Yifan Gao und Yaoshen Niu; ehemaliger MIT Postdoc Sipei Li; und Mitarbeiter wie Chi-Feng Lee, Yu-Cheg Shao, Hsiao-Tsu Wang und Ying-Rui Lu.
Ein intelligenteres System
Materialwissenschaftsexperimente können zeitaufwändig und teuer sein. Sie verlangen Forscher, sorgfältig Workflows zu entwerfen, neues Materials zu erstellen und eine Reihe von Exams und Analysen durchzuführen, um zu verstehen, was passiert ist. Diese Ergebnisse werden dann verwendet, um zu entscheiden, wie das Materials verbessert werden kann.
Um den Prozess zu verbessern, haben sich einige Forscher einer als aktiven Lernen bezeichneten Strategie für maschinelles Lernen zugewandt, um frühere experimentelle Datenpunkte effizient zu nutzen und diese Daten zu untersuchen oder auszunutzen. In Kombination mit einer statistischen Technik, die als Bayesian Optimization (BO) bekannt ist, hat das aktive Lernen Forschern geholfen, neue Materialien für Batterien und fortschrittliche Halbleiter zu identifizieren.
„Die Bayesian -Optimierung ist wie Netflix, der den nächsten Movie empfiehlt, der auf Ihrer Betrachtungsgeschichte angesehen wird, außer stattdessen empfiehlt es das nächste Experiment“, erklärt Li. „Aber die grundlegende Bayesian-Optimierung ist zu simpel. Sie verwendet einen Boxed-In-Design-Raum. Wenn ich additionally sage, dass ich Platin, Palladium und Eisen verwenden werde, ändert es nur das Verhältnis dieser Elemente in diesem kleinen Raum. Aber echte Materialien haben viel mehr Abhängigkeiten, und Bo wird oft verloren.“
Die meisten aktiven Lernansätze stützen sich auch auf einzelne Datenströme, die nicht alles erfassen, was in einem Experiment vor sich geht. Um rechnerische Systeme mit menschlichem Wissen auszustatten und gleichzeitig die Geschwindigkeit und Kontrolle automatisierter Systeme zu nutzen, bauten Li und seine Mitarbeiter Crest auf.
Crests Roboterausrüstung umfasst einen Roboter für Flüssigkeiten, ein Karbauthermal-Schocksystem zur schnellen Synthese von Materialien, eine automatisierte elektrochemische Workstation für Exams, Charakterisierungsgeräte, einschließlich automatisierter Elektronenmikroskopie und optischer Mikroskopie sowie Hilfsgeräte wie Pumpen und Gasventile, die auch remotend kontrolliert werden können. Viele Verarbeitungsparameter können ebenfalls abgestimmt werden.
Mit der Benutzeroberfläche können Forscher mit Crest chatten und ihr aktives Lernen nutzen, um vielversprechende Materialrezepte für verschiedene Projekte zu finden. Crest kann bis zu 20 Vorläufermoleküle und Substrate in sein Rezept enthalten. Um Materialdesigns zu leiten, suchen Crests Modelle durch wissenschaftliche Papiere nach Beschreibungen von Elementen oder Vorläufermolekülen, die nützlich sein könnten. Wenn menschliche Forscher Crest anweisen, neue Rezepte zu verfolgen, startet es eine Roboter -Symphonie der Probenvorbereitung, -charakterisierung und -Exams. Der Forscher kann Crest auch bitten, eine Bildanalyse aus der Bildgebung von Rasterelektronenmikroskopie, Röntgenbeugung und anderen Quellen durchzuführen.
Informationen aus diesen Prozessen werden verwendet, um die aktiven Lernmodelle zu trainieren, die sowohl Literaturwissen als auch aktuelle experimentelle Ergebnisse verwenden, um weitere Experimente vorzuschlagen und die Entdeckung der Materialien zu beschleunigen.
„Für jedes Rezept verwenden wir frühere Literaturtext oder Datenbanken, und es erzeugt diese riesigen Darstellungen jedes Rezepts, die auf der vorherigen Wissensbasis basieren, bevor das Experiment überhaupt durchgeführt wird“, sagt Li. „Wir führen die Hauptkomponentenanalyse in diesem Wissen aus, um einen reduzierten Suchraum zu erhalten, der den größten Teil der Leistungsvariabilität erfasst. Dann verwenden wir die Bayesian -Optimierung in diesem reduzierten Raum, um das neue Experiment zu entwerfen. Nach dem neuen Experiment füttern wir neu erfasste multimodale experimentelle Daten und das menschliche Suggestions in ein großes Sprachmodell, um das Wissen zu vergrößern.
Materialswissenschaftsexperimente können auch Herausforderungen mit der Reproduzierbarkeit gegenüberstehen. Um das Downside anzugehen, überwacht Crest seine Experimente mit Kameras, sucht nach potenziellen Problemen und schlägt Lösungen über Textual content und Stimme für menschliche Forscher vor.
Die Forscher verwendeten Crest, um ein Elektrodenmaterial für eine fortschrittliche Artwork von Brennstoffzelle mit hoher Dichte zu entwickeln, die als Direktformat-Brennstoffzelle bekannt ist. Nachdem Crest mehr als 900 Chemikalien über drei Monate lang untersucht hatte, entdeckte er ein Katalysatormaterial aus acht Elementen, das eine 9,3-fache Verbesserung der Stromdichte professional Greenback über reinem Palladium, einem teuren Edelmetall, erzielte. In weiteren Exams wurde das Crests-Materials verwendet, um eine Rekord-Leistungsdichte für eine funktionierende Direktformat-Brennstoffzelle zu liefern, obwohl die Zelle nur ein Viertel der Edelmetalle früherer Geräte enthielt.
Die Ergebnisse zeigen das Potenzial von Crest, Lösungen für reale Energieprobleme zu finden, die die Materialien und die Ingenieurgemeinschaft seit Jahrzehnten plagen.
„Eine bedeutende Herausforderung für Kraftstoffzellkatalysatoren ist die Verwendung von Edelmetall“, sagt Zhang. „Für Brennstoffzellen haben Forscher verschiedene Edelmetalle wie Palladium und Platinum verwendet. Wir haben einen Multielement-Katalysator verwendet, der auch viele andere billige Elemente einbezieht, um die optimale Koordinationsumgebung für katalytische Aktivität und Resistenz gegen Vergiftungsarten wie Kohlenmonoxid zu schaffen und adsorbierte Wasserstoffatom zu adsorieren.
Ein hilfreicher Assistent
Schon früh wurde eine schlechte Reproduzierbarkeit zu einem Hauptproblem, das die Fähigkeit der Forscher, ihre neue aktive Lerntechnik für experimentelle Datensätze durchzuführen, einschränkte. Materialeigenschaften können durch die Artwork und Weise beeinflusst werden, wie die Vorläufer gemischt und verarbeitet werden, und eine beliebige Anzahl von Problemen kann subtil die experimentellen Bedingungen verändern und sorgfältig inspiziert werden, um zu korrigieren.
Um den Prozess teilweise zu automatisieren, haben die Forscher Pc -Imaginative and prescient- und Imaginative and prescient -Sprachmodelle mit Domänenwissen aus der wissenschaftlichen Literatur gekoppelt, die es dem System ermöglichten, die Quellen der Nichtproduktion zu hypothetieren und Lösungen vorzuschlagen. Beispielsweise können die Modelle bemerken, wenn eine Millimeter-Größe in der Kind einer Probe vorliegt oder wenn eine Pipette etwas nicht an der Stelle bewegt. Die Forscher haben einige Vorschläge des Modells aufgenommen, was zu einer verbesserten Konsistenz führte, was darauf hindeutet, dass die Modelle bereits gute experimentelle Assistenten machen.
Die Forscher stellten fest, dass Menschen in ihren Experimenten immer noch den größten Teil des Debuggens durchführten.
„Crest ist ein Assistent, kein Ersatz für menschliche Forscher“, sagt Li. „Menschliche Forscher sind immer noch unverzichtbar. Tatsächlich verwenden wir eine natürliche Sprache, damit das System erklären kann, was es tut, und Beobachtungen und Hypothesen zu präsentieren. Dies ist jedoch ein Schritt in Richtung flexiblerer, selbstfahrender Labors.“