Polybot de Argonne junta-se ao clube de laboratório autônomo

Novos materiais são necessários com urgência para fazer componentes melhores usados ​​para energia sustentável. Tecnologias como fusão nuclear e computação quântica precisam de materiais que possam tolerar altos níveis de radiação ou dar suporte à computação quântica enquanto são seguros, econômicos e sustentáveis. Mas esses materiais ainda não existem, e descobri-los é uma tarefa hercúlea que envolve sintetizar e testar um grande número de materiais hipotéticos.

“Os materiais descobertos são uma fração muito pequena dos materiais hipotéticos – como uma gota de água em um oceano”, escreveu o professor de ciência nuclear do MIT, Mingda Li, por e-mail.

A capacidade de realizar suas tarefas sem intervenção humana torna um laboratório autônomo um sistema de “circuito fechado”, que a Polybot alcançou em junho passado.

Uma ferramenta que os pesquisadores estão usando cada vez mais para ajudar nesse processo de descoberta são os laboratórios autônomos – sistemas de laboratório que combinam robótica avançada com software de aprendizado de máquina para executar experimentos de forma autônoma.

Por exemplo, o A-Lab do Lawrence Berkeley Laboratory foi inaugurado no mês passado e visa a prospecção de novos materiais que possam ajudar a produzir melhores células solares, células de combustível e tecnologias termoelétricas. (O laboratório diz que o “A” em seu nome é deliberadamente ambíguo, significando autonomia, IA, abstração e aceleração.)

Outro laboratório autônomo recém-criado – chamado Polybot no Argonne National Laboratory em Lemont, Illinois – está no mercado há pouco mais tempo que o A-Lab e, como resultado, subiu a escada da autonomia do laboratório em direção à sua própria ciência de materiais. missões. O Polybot consiste em equipamentos de análise química, computadores executando software de aprendizado de máquina e três robôs. Existe um robô sintético que executa reações químicas, um robô processador que refina os produtos das reações e um robô sobre rodas com braço robótico que transporta amostras entre as estações. Os robôs são programados usando scripts Python e executam todas as tarefas manuais em um experimento, como carregar amostras e coletar dados.

Os dados coletados dos experimentos são enviados para o software de aprendizado de máquina para análise. O software analisa os resultados e sugere alterações para o próximo conjunto de experimentos, como ajuste de temperatura, quantidade de reagentes ou duração das reações. A capacidade de realizar tudo isso sem intervenção humana torna um laboratório autônomo um sistema de “circuito fechado”, que a Polybot alcançou em junho passado.

A cientista de Argonne, Jie Xu, que começou a planejar o Polybot em 2019, disse que deseja que o laboratório autônomo funcione como um recurso “universalmente aplicável e reconfigurável”, para que pesquisadores de todos os tipos possam tirar proveito dele. Xu e outros cientistas de Argonne usaram o Polybot para pesquisar polímeros eletrônicos, que são plásticos que podem conduzir eletricidade. A esperança é criar polímeros que possam fazer versões melhores e mais sustentáveis ​​das tecnologias que usamos hoje, como células solares e biossensores.

Xu estima que eles teriam que tentar meio milhão de experimentos diferentes antes de esgotar todas as formas possíveis de sintetizar seu polímero eletrônico alvo. É impossível para um laboratório autônomo tentar todos eles, muito menos para pesquisadores humanos que só podem gerar cerca de dez moléculas em dois anos, disse Xu.

Laboratórios autônomos ajudam a acelerar o processo de sintetizar novos materiais em duas direções, disse ela. Uma delas é usar a robótica para realizar a síntese e análise de materiais hipotéticos mais rápido do que os humanos, porque os robôs podem funcionar continuamente. A outra maneira é usar o aprendizado de máquina para priorizar quais parâmetros ajustar que provavelmente produziriam um resultado melhor durante o próximo experimento. Uma boa priorização é importante, disse Xu, porque o grande número de parâmetros experimentais ajustáveis ​​– como temperatura e quantidade de reagentes – pode ser assustador.

Há apenas um punhado de laboratórios autônomos em todo o mundo hoje. Esse número vai aumentar em breve, no entanto. Cada laboratório nacional dos EUA, para começar, está construindo um.

Os laboratórios autônomos também oferecem a vantagem de gerar grandes quantidades de dados experimentais. Esses dados são valiosos porque os algoritmos de aprendizado de máquina precisam ser treinados em muitos dados para produzir resultados úteis. Um único laboratório não é capaz de gerar essa magnitude de dados por conta própria, então alguns laboratórios começaram a agrupar seus dados com os de outros pesquisadores.

O A-Lab da LBL também contribui regularmente com dados para o Materials Project, que agrega dados de pesquisadores de ciência de materiais em todo o mundo. Milad Abolhasani, cujo laboratório na North Carolina State University estuda laboratórios autônomos, disse que expandir o compartilhamento de dados de acesso aberto é importante para o sucesso dos laboratórios autônomos. Mas o compartilhamento eficaz de dados exigirá a padronização de como os dados dos laboratórios são formatados e relatados.

Abolhasani estima que há apenas um punhado de verdadeiros laboratórios autônomos em todo o mundo – laboratórios capazes de funcionar continuamente sem intervenção humana e sem avarias frequentes. Esse número pode aumentar em breve, disse ele, porque cada laboratório nacional nos EUA está construindo um.

Mas ainda existem barreiras significativas à entrada. Robôs especializados e ambientes de laboratório são caros e leva anos para construir a infraestrutura necessária e integrar sistemas robóticos com equipamentos de laboratório existentes. Cada vez que um novo experimento é executado, os pesquisadores podem descobrir que precisam fazer mais personalizações no sistema.

Henry Chan, colega de Xu na Argonne, disse que eventualmente deseja que os recursos de aprendizado de máquina da Polybot vão além de apenas otimizar experimentos. Ele quer usar o sistema para “descoberta” – criando materiais completamente novos, como polímeros com novas estruturas moleculares.

A descoberta é muito mais difícil de fazer, porque requer algoritmos de aprendizado de máquina para tomar decisões sobre onde proceder a partir de um número quase ilimitado de pontos de partida.

“Para otimização, você ainda pode definir o espaço, mas para descoberta, o espaço é infinito”, disse Chan. “Porque você pode ter diferentes estruturas, diferentes composições, diferentes formas de processamento.”

Mas os resultados do A-Lab sugerem que isso pode ser possível. Quando o laboratório foi inaugurado no início deste ano, os pesquisadores tentaram sintetizar materiais completamente novos executando seus algoritmos de aprendizado de máquina em dados do banco de dados do Materials Project. O laboratório autônomo teve um desempenho melhor do que o esperado, gerando resultados promissores em 70% das vezes.

“Esperávamos, na melhor das hipóteses, uma taxa de sucesso de algo como 30 por cento”, escreveu o investigador principal do A-Lab, Gerd Ceder.