Aan de basis van veel wetenschappelijke doorbraken uit het verleden ligt de ontdekking van nieuwe materialen. Echter, de cyclus van synthese, het testen en optimaliseren van nieuwe materialen kost wetenschappers routinematig vele uren hard werk. Daarom, veel potentieel bruikbare materialen met exotische eigenschappen blijven onontdekt. Maar wat als we het hele nieuwe materiaalontwikkelingsproces zouden kunnen automatiseren met behulp van robotica en kunstmatige intelligentie, veel sneller maken?

In een recente studie gepubliceerd op APL-materialen , wetenschappers van het Tokyo Institute of Technology (Tokyo Tech), Japan, onder leiding van universitair hoofddocent Ryota Shimizu en professor Taro Hitosugi, bedacht een strategie om volledig autonoom materiaalonderzoek mogelijk te maken. Hun werk is gecentreerd rond het revolutionaire idee dat laboratoriumapparatuur 'CASH' (Connected, autonoom, Gedeeld, hoge doorvoer). Met een CASH-opstelling in een materialenlaboratorium, onderzoekers hoeven alleen maar te beslissen welke materiaaleigenschappen ze willen optimaliseren en het systeem de benodigde ingrediënten te geven; het automatische systeem neemt dan de controle over en bereidt en test herhaaldelijk nieuwe verbindingen totdat de beste is gevonden. Met behulp van machine learning-algoritmen, het systeem kan eerdere kennis gebruiken om te beslissen hoe de synthesecondities moeten worden gewijzigd om het gewenste resultaat in elke cyclus te benaderen.

Om aan te tonen dat CASH een haalbare strategie is in onderzoek naar vaste stoffen, Associate Prof Shimizu en team creëerden een proof-of-concept-systeem bestaande uit een robotarm omringd door verschillende modules. Hun opzet was gericht op het minimaliseren van de elektrische weerstand van een dunne film van titaniumdioxide door de afzettingsomstandigheden aan te passen. Daarom, de modules zijn een sputterdepositieapparaat en een apparaat voor het meten van weerstand. De robotarm bracht de monsters naar behoefte van module naar module, en het systeem voorspelde autonoom de syntheseparameters voor de volgende iteratie op basis van eerdere gegevens. Voor de voorspelling, ze gebruikten het Bayesiaanse optimalisatie-algoritme.

wonderbaarlijk, hun CASH-opstelling slaagde erin om ongeveer twaalf monsters per dag te produceren en te testen, een vertienvoudiging van de doorvoer in vergelijking met wat wetenschappers handmatig kunnen bereiken in een conventioneel laboratorium. Naast deze aanzienlijke snelheidsverhoging, een van de belangrijkste voordelen van de CASH-strategie is de mogelijkheid om enorme gedeelde databases te creëren waarin wordt beschreven hoe materiaaleigenschappen variëren afhankelijk van de syntheseomstandigheden. In dit verband, Prof Hitosugi merkt op:"Vandaag, databases van stoffen en hun eigenschappen blijven onvolledig. Met de CASH-benadering we zouden ze gemakkelijk kunnen voltooien en vervolgens verborgen materiële eigenschappen ontdekken, wat leidde tot de ontdekking van nieuwe natuurwetten en resulterend in inzichten door middel van statistische analyse."

Het onderzoeksteam gelooft dat de CASH-aanpak een revolutie teweeg zal brengen in de materiaalwetenschap. Databases die snel en moeiteloos door CASH-systemen worden gegenereerd, worden gecombineerd tot big data en wetenschappers zullen geavanceerde algoritmen gebruiken om ze te verwerken en voor mensen begrijpelijke uitdrukkingen te extraheren. Echter, zoals Prof Hitosugi opmerkt, machine learning en robotica alleen kunnen geen inzichten of concepten in de natuurkunde en scheikunde ontdekken. "De opleiding van toekomstige materiaalwetenschappers moet evolueren; ze zullen moeten begrijpen wat machine learning kan oplossen en het probleem dienovereenkomstig kunnen oplossen. De kracht van menselijke onderzoekers ligt in het creëren van concepten of het identificeren van problemen in de samenleving. Het combineren van die sterke punten met machine learning en robotica is erg belangrijk, " hij zegt.

Algemeen, dit perspectiefartikel belicht de enorme voordelen die automatisering kan opleveren voor de materiaalwetenschap. Als het gewicht van repetitieve taken van de schouders van onderzoekers wordt getild, ze zullen zich meer kunnen concentreren op het ontrafelen van de geheimen van de materiële wereld ten behoeve van de mensheid.