De vakgebieden scheikunde en materiaalkunde zien een enorme belangstelling voor ‘zelfrijdende laboratoria’, die gebruik maken van kunstmatige intelligentie (AI) en geautomatiseerde systemen om onderzoek en ontdekkingen te versnellen. Onderzoekers stellen nu een reeks definities en prestatiestatistieken voor waarmee onderzoekers, niet-experts en toekomstige gebruikers beter kunnen begrijpen wat deze nieuwe technologieën doen en hoe elke technologie presteert in vergelijking met andere zelfrijdende laboratoria. P>

Zelfrijdende laboratoria houden een enorme belofte in voor het versnellen van de ontdekking van nieuwe moleculen, materialen en productieprocessen, met toepassingen variërend van elektronische apparaten tot farmaceutische producten. Hoewel de technologieën nog vrij nieuw zijn, is van sommige technologieën aangetoond dat ze de tijd die nodig is om nieuwe materialen te identificeren, terugbrengen van maanden of jaren naar dagen.

"Zelfrijdende laboratoria krijgen momenteel veel aandacht, maar er zijn nog veel openstaande vragen over deze technologieën", zegt Milad Abolhasani, corresponderend auteur van een artikel over de nieuwe metrieken en universitair hoofddocent chemische en biomoleculaire technologie. aan de North Carolina State University.

“Deze technologie wordt beschreven als ‘autonoom’, maar verschillende onderzoeksteams definiëren ‘autonoom’ anders. Op dezelfde manier rapporteren verschillende onderzoeksteams verschillende elementen van hun werk op verschillende manieren. Dit maakt het moeilijk om deze technologieën te vergelijken met elkaar, en vergelijken is belangrijk als we van elkaar willen leren en het veld vooruit willen helpen.

"Wat doet Self-Driving Lab A echt goed? Hoe kunnen we dat gebruiken om de prestaties van Self-Driving Lab B te verbeteren? We stellen een reeks gedeelde definities en prestatiestatistieken voor, waarvan we hopen dat deze door iedereen die werkt, zal worden overgenomen Het einddoel zal zijn dat we allemaal van elkaar kunnen leren en deze krachtige technologieën voor onderzoeksversnelling kunnen bevorderen."

"We lijken bijvoorbeeld enkele uitdagingen te zien in zelfrijdende laboratoria die verband houden met de prestaties, precisie en robuustheid van sommige autonome systemen", zegt Abolhasani.

"Dit roept vragen op over hoe nuttig deze technologieën kunnen zijn. Als we over gestandaardiseerde statistieken en rapportage van resultaten beschikken, kunnen we deze uitdagingen identificeren en beter begrijpen hoe we deze kunnen aanpakken."

De kern van het nieuwe voorstel is een duidelijke definitie van zelfrijdende laboratoria en zeven voorgestelde prestatiemaatstaven, die onderzoekers zouden opnemen in elk gepubliceerd werk met betrekking tot hun zelfrijdende laboratoria.

• Mate van autonomie:hoeveel begeleiding heeft een systeem nodig van gebruikers?
• Operationele levensduur:hoe lang kan het systeem functioneren zonder tussenkomst van gebruikers?
• Doorvoer:hoe lang duurt het voordat het systeem één experiment uitvoert?
• Experimentele precisie:hoe reproduceerbaar zijn de resultaten van het systeem?
• Materiaalgebruik:wat is de totale hoeveelheid materiaal die door een systeem wordt gebruikt voor elk experiment?
• Toegankelijke parameterruimte:in hoeverre kan het systeem rekening houden met alle variabelen in elk experiment?
• Optimalisatie-efficiëntie.

"Optimalisatie-efficiëntie is een van de belangrijkste van deze maatstaven, maar ook een van de meest complexe:het leent zich niet voor een beknopte definitie", zegt Abolhasani. "In wezen willen we dat onderzoekers de prestaties van hun zelfrijdende laboratorium en het algoritme voor experimentselectie kwantitatief analyseren door het te vergelijken met een basislijn, bijvoorbeeld willekeurige steekproeven.

“Uiteindelijk denken we dat een gestandaardiseerde aanpak van de rapportage over zelfrijdende laboratoria zal helpen ervoor te zorgen dat dit veld betrouwbare, reproduceerbare resultaten oplevert die het beste halen uit AI-programma’s die profiteren van de grote, hoogwaardige datasets die door zelfrijdende laboratoria worden geproduceerd. -rijlaboratoria", zegt Abolhasani.

Het artikel 'Performance Metrics to Unleash the Power of Self-Driving Labs in Chemistry and Materials Science' is open access gepubliceerd in het tijdschrift Nature Communications .

Meer informatie: Amanda A. Volk et al, Prestatiestatistieken om de kracht van zelfrijdende laboratoria in de chemie en materiaalkunde te ontketenen, Natuurcommunicatie (2024). DOI:10.1038/s41467-024-45569-5

Aangeboden door North Carolina State University