Polybot de Argonne se une al club de laboratorio de autoconducción

Se necesitan con urgencia nuevos materiales para fabricar mejores componentes utilizados para la energía sostenible. Las tecnologías como la fusión nuclear y la computación cuántica necesitan materiales que puedan tolerar altos niveles de radiación o admitir la computación cuántica mientras son seguros, rentables y sostenibles. Pero esos materiales aún no existen, y descubrirlos es una tarea hercúlea que implica sintetizar y probar una gran cantidad de materiales hipotéticos.

“Los materiales descubiertos son una fracción muy pequeña de los materiales hipotéticos, como una gota de agua en un océano”, escribió el profesor de ciencia nuclear del MIT, Mingda Li, por correo electrónico.

La capacidad de llevar a cabo sus tareas sin intervención humana convierte a un laboratorio autónomo en un sistema de “bucle cerrado”, que Polybot logró en junio pasado.

Una herramienta que los investigadores utilizan cada vez más para ayudar con este proceso de descubrimiento son los laboratorios autónomos: sistemas de laboratorio que combinan robótica avanzada con software de aprendizaje automático para ejecutar experimentos de forma autónoma.

Por ejemplo, el A-Lab del Laboratorio Lawrence Berkeley acaba de abrir el mes pasado y tiene como objetivo buscar materiales novedosos que podrían ayudar a fabricar mejores células solares, células de combustible y tecnologías termoeléctricas. (El laboratorio dice que la “A” en su nombre es deliberadamente ambigua, que representa autonomía, IA, abstracción y aceleración).

Otro laboratorio autónomo recientemente acuñado, llamado Polybot en el Laboratorio Nacional Argonne en Lemont, Illinois, ha estado en el negocio un poco más que A-Lab y, como resultado, ha subido la escalera de la autonomía del laboratorio hacia su propia ciencia material. misiones Polybot consta de equipos de análisis químico, computadoras que ejecutan software de aprendizaje automático y tres robots. Hay un robot sintético que ejecuta reacciones químicas, un robot de procesamiento que refina los productos de las reacciones y un robot sobre ruedas con un brazo robótico que transporta muestras entre estaciones. Los robots se programan mediante scripts de Python y realizan todas las tareas manuales en un experimento, como cargar muestras y recopilar datos.

Los datos recopilados de los experimentos se envían luego al software de aprendizaje automático para su análisis. El software analiza los resultados y sugiere cambios para el siguiente conjunto de experimentos, como ajustar la temperatura, la cantidad de reactivos o la duración de las reacciones. La capacidad de llevar a cabo todo esto sin intervención humana convierte a un laboratorio autónomo en un sistema de “bucle cerrado”, que Polybot logró el pasado junio.

La científica de Argonne, Jie Xu, que comenzó a planificar Polybot en 2019, dijo que quiere que el laboratorio autónomo funcione como un recurso que sea “universalmente aplicable y reconfigurable”, para que los investigadores de todas las tendencias puedan aprovecharlo. Xu y otros científicos de Argonne han utilizado Polybot para investigar polímeros electrónicos, que son plásticos que pueden conducir electricidad. La esperanza es crear polímeros que puedan hacer versiones mejores y más sostenibles de las tecnologías que usamos hoy, como las células solares y los biosensores.

Xu estima que tendrían que intentar medio millón de experimentos diferentes antes de agotar todas las formas posibles de sintetizar su polímero electrónico objetivo. Es imposible que un laboratorio autónomo los intente todos, y mucho menos para los investigadores humanos que solo pueden generar unas diez moléculas en dos años, dijo Xu.

Los laboratorios autónomos ayudan a acelerar el proceso de síntesis de nuevos materiales desde dos direcciones, dijo. Una es mediante el uso de la robótica para realizar la síntesis y el análisis de materiales hipotéticos más rápido que los humanos, porque los robots pueden funcionar continuamente. La otra forma es usar el aprendizaje automático para priorizar qué parámetros ajustar que probablemente producirían un mejor resultado durante el próximo experimento. Una buena priorización es importante, dijo Xu, porque la gran cantidad de parámetros experimentales ajustables, como la temperatura y la cantidad de reactivos, puede ser abrumadora.

En la actualidad, solo hay un puñado de laboratorios de autoconducción en todo el mundo. Sin embargo, ese número aumentará pronto. Todos los laboratorios nacionales de EE. UU., para empezar, ahora están construyendo uno.

Los laboratorios autónomos también ofrecen la ventaja de generar grandes cantidades de datos experimentales. Esos datos son valiosos porque los algoritmos de aprendizaje automático deben entrenarse con una gran cantidad de datos para producir resultados útiles. Un solo laboratorio no es capaz de generar esa magnitud de datos por sí solo, por lo que algunos laboratorios han comenzado a agrupar sus datos con los de otros investigadores.

El A-Lab de LBL también contribuye regularmente con datos al Materials Project, que agrega datos de investigadores de ciencia de materiales de todo el mundo. Milad Abolhasani, cuyo laboratorio en la Universidad Estatal de Carolina del Norte estudia laboratorios autónomos, dijo que expandir el intercambio de datos de acceso abierto es importante para que los laboratorios autónomos tengan éxito. Pero compartir datos de manera efectiva requerirá la estandarización de cómo se formatean y reportan los datos de los laboratorios.

Abolhasani estima que solo hay un puñado de verdaderos laboratorios autónomos en todo el mundo, laboratorios capaces de funcionar continuamente sin intervención humana y sin averías frecuentes. Ese número puede aumentar pronto, dijo, porque cada laboratorio nacional en los EE. UU. está construyendo uno.

Pero todavía hay importantes barreras de entrada. Los entornos de laboratorio y los robots especializados son costosos y lleva años construir la infraestructura necesaria e integrar los sistemas robóticos con el equipo de laboratorio existente. Cada vez que se ejecuta un nuevo experimento, los investigadores pueden descubrir que tienen que realizar más personalizaciones en el sistema.

Henry Chan, colega de Xu en Argonne, dijo que eventualmente quieren que las capacidades de aprendizaje automático de Polybot vayan más allá de la optimización de experimentos. Quiere usar el sistema para el “descubrimiento”, creando materiales completamente nuevos, como polímeros con nuevas estructuras moleculares.

El descubrimiento es mucho más difícil de hacer, porque requiere algoritmos de aprendizaje automático para tomar decisiones sobre dónde proceder desde un número casi ilimitado de puntos de partida.

“Para la optimización, todavía puedes definir el espacio, pero para el descubrimiento, el espacio es infinito”, dijo Chan. “Porque puedes tener diferentes estructuras, diferentes composiciones, diferentes formas de procesamiento”.

Pero los resultados en A-Lab sugieren que puede ser posible. Cuando el laboratorio abrió a principios de este año, los investigadores intentaron sintetizar materiales completamente nuevos ejecutando sus algoritmos de aprendizaje automático en datos de la base de datos del Proyecto de materiales. El laboratorio de conducción autónoma funcionó mejor de lo esperado y arrojó resultados prometedores el 70 por ciento de las veces.

“Esperábamos, en el mejor de los casos, una tasa de éxito de alrededor del 30 por ciento”, escribió el investigador principal de A-Lab, Gerd Ceder.