Модели машинного обучения могут ускорить открытие новых материалов, делая прогнозы и предлагая эксперименты. Однако большинство моделей сегодня учитывают лишь несколько конкретных типов данных или переменных. Сравните это с учёными, которые работают в условиях сотрудничества и учитывают результаты экспериментов, обширную научную литературу, визуализацию и структурный анализ, личный опыт или интуицию, а также отзывы коллег и рецензентов.
Исследователи из Массачусетского технологического института (MIT) разработали метод оптимизации составов материалов и планирования экспериментов, который объединяет информацию из различных источников, таких как научные публикации, химические составы, микроструктурные изображения и многое другое. Этот подход является частью новой платформы под названием Copilot for Real-world Experimental Scientists (CRESt), которая также использует роботизированное оборудование для высокопроизводительных испытаний материалов. Результаты этих испытаний передаются в большие мультимодальные модели для дальнейшей оптимизации составов материалов.
Особенности системы CRESt
* Взаимодействие с человеком. Исследователи могут общаться с системой на естественном языке без необходимости кодирования. Система делает собственные наблюдения и выдвигает гипотезы.
* Мониторинг экспериментов. Камеры и модели визуального языка позволяют системе отслеживать эксперименты, обнаруживать проблемы и предлагать исправления.
* Оптимизация материалов. Система использует мультимодальную обратную связь, включая информацию из предыдущей литературы о поведении палладия в топливных элементах при определённой температуре, и обратную связь от человека для дополнения экспериментальных данных и разработки новых экспериментов.
Результаты
Система описана в статье, опубликованной в Nature. Исследователи использовали CRESt для изучения более чем 900 химических составов и проведения 3500 электрохимических тестов, что привело к открытию каталитического материала, обеспечивающего рекордную плотность мощности в топливном элементе, работающем на соли формиата для производства электроэнергии.
Эксперименты в области материаловедения могут быть трудоёмкими и дорогостоящими. Они требуют от исследователей тщательного планирования рабочих процессов, создания новых материалов и проведения серии тестов и анализов для понимания того, что произошло. Полученные результаты затем используются для решения вопроса о том, как улучшить материал.
Для оптимизации процесса некоторые исследователи обратились к стратегии машинного обучения, известной как активное обучение, чтобы эффективно использовать предыдущие экспериментальные данные и исследовать или использовать эти данные. В сочетании со статистической техникой, известной как байесовская оптимизация (BO), активное обучение помогло исследователям идентифицировать новые материалы для таких вещей, как батареи и передовые полупроводники.
Преимущества CRESt
* Человекоподобные знания. Для оснащения вычислительных систем более человекоподобными знаниями, при этом используя преимущества скорости и контроля автоматизированных систем, Ли и его сотрудники создали CRESt.
* Роботизированное оборудование. Оно включает в себя робота для работы с жидкостями, систему карботермического шока для быстрого синтеза материалов, автоматизированное электрохимическое рабочее место для тестирования, оборудование для характеризации, включая автоматизированную электронную микроскопию и оптическую микроскопию, а также вспомогательные устройства, такие как насосы и газовые клапаны, которые также могут управляться удалённо.
* Гибкость. Исследователи могут попросить CRESt выполнить анализ изображений с помощью сканирующей электронной микроскопии, рентгеновской дифракции и других источников.
Информация, полученная в результате этих процессов, используется для обучения моделей активного обучения, которые используют как знания из литературы, так и текущие экспериментальные результаты, чтобы предложить дальнейшие эксперименты и ускорить открытие материалов.
Исследователи использовали CRESt для разработки электродного материала для усовершенствованного типа топливного элемента высокой плотности, известного как топливный элемент прямого действия на основе формиата. После изучения более чем 900 составов в течение трёх месяцев CRESt обнаружил каталитический материал, изготовленный из восьми элементов, который обеспечил 9,3-кратное улучшение плотности мощности на доллар по сравнению с чистым палладием, дорогим драгоценным металлом.
Результаты показывают потенциал CRESt для поиска решений реальных энергетических проблем, которые десятилетиями преследовали сообщество материаловедов и инженеров.