Wie is de betere experimentator, een mens of een robot? Als het gaat om het onderzoeken van synthetische en kristallisatieomstandigheden voor anorganische gigantische moleculen, actief lerende machines lopen duidelijk voorop, zoals aangetoond door Britse wetenschappers in een experiment met polyoxometalaten gepubliceerd in het tijdschrift Angewandte Chemie .

Polyoxometalaten worden gevormd door zelfassemblage van een groot aantal metaalatomen overbrugd door zuurstofatomen. Mogelijke toepassingen zijn onder meer katalyse, elektronica, en geneeskunde. Inzichten in de zelforganisatieprocessen kunnen ook van pas komen bij het ontwikkelen van functionele chemische systemen zoals 'moleculaire machines'.

Polyoxometalaten bieden een bijna onbeperkte verscheidenheid aan structuren. Echter, het is niet gemakkelijk om nieuwe te vinden, omdat de aggregatie van complexe anorganische moleculen tot gigantische moleculen een moeilijk te voorspellen proces is. Het is noodzakelijk om omstandigheden te vinden waaronder de bouwstenen aggregeren en vervolgens ook kristalliseren, zodat ze gekarakteriseerd kunnen worden.

Een team onder leiding van Leroy Cronin aan de Universiteit van Glasgow (VK) heeft nu een nieuwe benadering ontwikkeld om het bereik van geschikte omstandigheden voor de synthese en kristallisatie van polyoxometalaten te definiëren. Het is gebaseerd op recente ontwikkelingen in machine learning, actief leren genoemd. Ze lieten hun getrainde machine concurreren met de intuïtie van ervaren onderzoekers. Het testvoorbeeld was Na(6)[Mo(120)Ce(6)O(366)H(12)(H(2)O)(78)]·200 H(2)O, een nieuwe, ringvormig polyoxometalaatcluster dat onlangs werd ontdekt door de geautomatiseerde chemische robot van de onderzoekers.

In het experiment, de relatieve hoeveelheden van de drie noodzakelijke reagensoplossingen moesten worden gevarieerd terwijl het protocol anders was voorgeschreven. Het uitgangspunt was een reeks gegevens van succesvolle en niet-succesvolle kristallisatie-experimenten. Het doel was om tien experimenten te plannen en de resultaten hiervan te gebruiken om door te gaan naar de volgende reeks van tien experimenten - in totaal honderd kristallisatiepogingen.

Hoewel de onderzoekers van vlees en bloed meer succesvolle kristallisaties konden produceren, het veel "avontuurlijkere" machinealgoritme was per saldo superieur omdat het een aanzienlijk breder domein van de "kristallisatieruimte" besloeg. De kwaliteit van de voorspelling of een experiment tot kristallisatie zou leiden, werd door de machine significant meer verbeterd dan door de menselijke onderzoekers. Een reeks van 100 puur willekeurige experimenten leverde geen verbetering op. In aanvulling, de machine ontdekte een reeks omstandigheden die leidden tot kristallen die op basis van pure intuïtie niet zouden zijn verwacht. Deze "onbevooroordeelde" geautomatiseerde methode maakt de ontdekking van nieuwe verbindingen waarschijnlijker dan vertrouwen op menselijke intuïtie. De onderzoekers zoeken nu naar manieren om bijzonder efficiënte 'teams' van mens en machine te maken.