Model pembelajaran mesin dapat mempercepat penemuan bahan baru dengan membuat prediksi dan menyarankan eksperimen. Tetapi sebagian besar model saat ini hanya mempertimbangkan beberapa jenis data atau variabel tertentu. Bandingkan dengan ilmuwan manusia, yang bekerja dalam lingkungan kolaboratif dan mempertimbangkan hasil eksperimen, literatur ilmiah yang lebih luas, pencitraan dan analisis struktural, pengalaman atau intuisi pribadi, dan masukan dari rekan kerja dan pengulas peer.
Sekarang, peneliti MIT telah mengembangkan metode untuk mengoptimalkan resep bahan dan eksperimen perencanaan yang menggabungkan informasi dari beragam sumber seperti wawasan dari literatur, komposisi kimia, gambar mikrostruktur, dan banyak lagi. Pendekatan ini adalah bagian dari platform baru, bernama Copilot untuk Ilmuwan Eksperimental Dunia Nyata (CREST), yang juga menggunakan peralatan robot untuk pengujian bahan throughput tinggi, yang hasilnya dimasukkan kembali ke model multimodal besar untuk lebih mengoptimalkan resep bahan.
Peneliti manusia dapat berkomunikasi dengan sistem dalam bahasa alami, tanpa pengkodean yang diperlukan, dan sistem membuat pengamatan dan hipotesisnya sendiri di sepanjang jalan. Kamera dan model bahasa visual juga memungkinkan sistem untuk memantau eksperimen, mendeteksi masalah, dan menyarankan koreksi.
“Di bidang AI untuk sains, kuncinya adalah merancang eksperimen baru,” kata Ju Li, Sekolah Teknik Carl Richard Soderberg Profesor Power Engineering. “Kami menggunakan umpan balik multimodal – misalnya informasi dari literatur sebelumnya tentang bagaimana paladium berperilaku dalam sel bahan bakar pada suhu ini, dan umpan balik manusia – untuk melengkapi data eksperimental dan merancang eksperimen baru. Kami juga menggunakan robot untuk mensintesis dan mengkarakterisasi struktur material dan untuk menguji kinerja.”
Sistem ini dijelaskan dalam makalah yang diterbitkan di Alam. Para peneliti menggunakan Crest untuk mengeksplorasi lebih dari 900 kimia dan melakukan 3.500 tes elektrokimia, yang mengarah pada penemuan bahan katalis yang memberikan kepadatan daya rekor dalam sel bahan bakar yang berjalan pada format garam untuk menghasilkan listrik.
Bergabung dengan Li di atas kertas sebagai penulis pertama adalah mahasiswa PhD Zhen Zhang, Zhichu Ren PhD ’24, mahasiswa PhD Chia-Wei Hsu, dan Postdoc Weibin Chen. Rekan penulis mereka adalah Asisten Profesor MIT Iwnetim Abate; Associate Professor Pulkit Agrawal; Jr East Profesor Teknik Yang Shao-Horn; Peneliti mit.nano Aubrey Penn; Zhang-Wei Hong PhD ’25, Hongbin Xu PhD ’25; Daniel Zheng PhD ’25; Mahasiswa pascasarjana MIT Shuhan Miao dan Hugh Smith; MIT Postdocs Yimeng Huang, Weiyin Chen, Yungsheng Tian, Yifan Gao, dan Yaoshen Niu; mantan postdoc Sipei Li MIT; dan kolaborator termasuk Chi-Feng Lee, Yu-Cheng Shao, Hsiao-Tsu Wang, dan Ying-Rui Lu.
Sistem yang lebih pintar
Eksperimen ilmu material bisa memakan waktu dan mahal. Mereka membutuhkan peneliti untuk merancang alur kerja dengan cermat, membuat materi baru, dan menjalankan serangkaian tes dan analisis untuk memahami apa yang terjadi. Hasil tersebut kemudian digunakan untuk memutuskan bagaimana meningkatkan materi.
Untuk meningkatkan proses, beberapa peneliti telah beralih ke strategi pembelajaran mesin yang dikenal sebagai pembelajaran aktif untuk memanfaatkan titik data eksperimental sebelumnya secara efisien dan mengeksplorasi atau mengeksploitasi data tersebut. Ketika dipasangkan dengan teknik statistik yang dikenal sebagai Bayesian Optimization (BO), pembelajaran aktif telah membantu para peneliti mengidentifikasi bahan -bahan baru untuk hal -hal seperti baterai dan semikonduktor canggih.
“Optimalisasi Bayesian seperti Netflix merekomendasikan film berikutnya untuk ditonton berdasarkan riwayat menonton Anda, kecuali itu merekomendasikan percobaan berikutnya untuk dilakukan,” Li menjelaskan. “Tapi optimasi Bayesian dasar terlalu sederhana. Ini menggunakan ruang desain kotak-kotak, jadi jika saya mengatakan saya akan menggunakan platinum, paladium, dan zat besi, itu hanya mengubah rasio elemen-elemen di ruang kecil ini. Tetapi bahan asli memiliki lebih banyak ketergantungan, dan BO sering hilang.”
Sebagian besar pendekatan pembelajaran aktif juga bergantung pada aliran data tunggal yang tidak menangkap semua yang terjadi dalam percobaan. Untuk melengkapi sistem komputasi dengan pengetahuan yang lebih seperti manusia, sambil tetap mengambil keuntungan dari kecepatan dan kontrol sistem otomatis, LI dan kolaboratornya membangun lambang.
Peralatan robot Crest termasuk robot penanganan cairan, sistem kejut karbotermal untuk dengan cepat mensintesis bahan, stasiun kerja elektrokimia otomatis untuk pengujian, peralatan karakterisasi termasuk mikroskop elektron otomatis dan mikroskop optik, dan perangkat tambahan seperti pompa dan katup gas, yang juga dapat dikontrol jarak jauh. Banyak parameter pemrosesan juga dapat disetel.
Dengan antarmuka pengguna, para peneliti dapat mengobrol dengan Crest dan mengatakannya untuk menggunakan pembelajaran aktif untuk menemukan resep materi yang menjanjikan untuk berbagai proyek. Crest dapat memasukkan hingga 20 molekul dan substrat prekursor ke dalam resepnya. Untuk memandu desain material, model Crest mencari melalui makalah ilmiah untuk deskripsi elemen atau molekul prekursor yang mungkin berguna. Ketika peneliti manusia memberi tahu Crest untuk mengejar resep baru, itu memulai simfoni robot dari persiapan sampel, karakterisasi, dan pengujian. Peneliti juga dapat meminta Crest untuk melakukan analisis gambar dari pemindaian pencitraan mikroskop elektron, difraksi sinar-X, dan sumber lainnya.
Informasi dari proses -proses tersebut digunakan untuk melatih model pembelajaran aktif, yang menggunakan pengetahuan literatur dan hasil eksperimen saat ini untuk menyarankan eksperimen lebih lanjut dan mempercepat penemuan bahan.
“Untuk setiap resep kami menggunakan teks atau database literatur sebelumnya, dan itu menciptakan representasi besar dari setiap resep berdasarkan basis pengetahuan sebelumnya sebelum bahkan melakukan percobaan,” kata Li. “We perform principal component analysis in this knowledge embedding space to get a reduced search space that captures most of the performance variability. Then we use Bayesian optimization in this reduced space to design the new experiment. After the new experiment, we feed newly acquired multimodal experimental data and human feedback into a large language model to augment the knowledgebase and redefine the reduced search space, which gives us a big boost in active learning efficiency.”
Eksperimen ilmu material juga dapat menghadapi tantangan reproduktifitas. Untuk mengatasi masalah tersebut, Crest memantau eksperimennya dengan kamera, mencari masalah potensial dan menyarankan solusi melalui teks dan suara kepada peneliti manusia.
Para peneliti menggunakan Crest untuk mengembangkan bahan elektroda untuk tipe canggih sel bahan bakar kepadatan tinggi yang dikenal sebagai sel bahan bakar format langsung. Setelah menjelajahi lebih dari 900 kimia selama tiga bulan, Crest menemukan bahan katalis yang terbuat dari delapan elemen yang mencapai peningkatan 9,3 kali lipat dalam kepadatan daya per dolar dibandingkan paladium murni, logam berharga yang mahal. Dalam tes lebih lanjut, bahan puncak digunakan untuk memberikan kepadatan daya rekor ke sel bahan bakar format langsung yang berfungsi meskipun sel berisi hanya seperempat dari logam mulia perangkat sebelumnya.
Hasilnya menunjukkan potensi Crest untuk menemukan solusi untuk masalah energi dunia nyata yang telah mengganggu komunitas sains dan teknik selama beberapa dekade.
“Tantangan yang signifikan untuk katalis sel bahan bakar adalah penggunaan logam mulia,” kata Zhang. “Untuk sel bahan bakar, para peneliti telah menggunakan berbagai logam mulia seperti paladium dan platinum. Kami menggunakan katalis multielemen yang juga menggabungkan banyak elemen murah lainnya untuk menciptakan lingkungan koordinasi yang optimal untuk aktivitas katalitik dan ketahanan terhadap keracunan spesies seperti sistem karbon monoksida dan atom hidrogen kami telah mencari opsi yang rendah selama bertahun-tahun.
Asisten yang membantu
Awalnya, reproduktifitas yang buruk muncul sebagai masalah utama yang membatasi kemampuan para peneliti untuk melakukan teknik pembelajaran aktif baru mereka pada dataset eksperimental. Sifat material dapat dipengaruhi oleh cara prekursor dicampur dan diproses, dan sejumlah masalah dapat secara halus mengubah kondisi eksperimental, yang membutuhkan inspeksi yang cermat untuk mengoreksi.
Untuk mengotomatiskan sebagian proses, para peneliti menggabungkan model visi komputer dan model bahasa visi dengan pengetahuan domain dari literatur ilmiah, yang memungkinkan sistem untuk berhipotesis sumber yang tidak dapat direproduksi dan mengusulkan solusi. Misalnya, model dapat melihat ketika ada deviasi berukuran milimeter dalam bentuk sampel atau ketika pipet menggerakkan sesuatu yang tidak pada tempatnya. Para peneliti memasukkan beberapa saran model, yang mengarah pada peningkatan konsistensi, menunjukkan model sudah membuat asisten eksperimental yang baik.
Para peneliti mencatat bahwa manusia masih melakukan sebagian besar debugging dalam eksperimen mereka.
“Crest adalah asisten, bukan pengganti, untuk peneliti manusia,” kata Li. “Peneliti manusia masih sangat diperlukan. Faktanya, kami menggunakan bahasa alami sehingga sistem dapat menjelaskan apa yang dilakukannya dan menyajikan pengamatan dan hipotesis. Tetapi ini adalah langkah menuju laboratorium self-driving yang lebih fleksibel.”
