IBM har på sin bloggsida meddelat utvecklingen av ett AI/molnbaserat kemilab vid namn RoboRXN. Syftet är att hjälpa kemister att utveckla nya material på ett snabbare och mer effektivt sätt än den nuvarande trial-and-error-processen.

I tusentals år, människor har skapat nya material genom att kombinera andra råvaror, ganska ofta genom användning av behandlingar för att framkalla kemiska reaktioner. Dock, Trial-and-error-metoden – en ofta tråkig och dyr ansträngning – har förblivit relativt oförändrad under åren. Som en del av tillkännagivandet, IBM föreslår att i modern tid, det kostar i genomsnitt $10 miljoner (och tar i genomsnitt 10 år) för ett företag att utveckla ett användbart nytt material. IBM hoppas kunna ändra på det genom att automatisera mycket av processen med en kombination av artificiell intelligens och molnbaserad åtkomst. För detta ändamål, företaget har expanderat på IBM RXN for Chemistry, en gratis molnbaserad app som företaget lanserade 2018 som förutsäger resultatet av kemiska reaktioner. RoboRXN går längre genom att tillåta kemister att mata systemet med en molekyl de vill göra, och systemet returnerar en steg-för-steg-instruktionsguide tillsammans med en lista över ingredienser – i huvudsak, ett matlagningsrecept. IBM hävdar att deras nya system kommer att tillåta kemister att syntetisera material på ett aldrig tidigare skådat sätt.

Ett exempel på hur ett sådant system kan användas är i syntesen av naturliga ämnen som visat sig vara fördelaktiga. Forskare kan hitta en växt i Amazonas djungel, till exempel, som bromsar uppkomsten av Alzheimers sjukdom. Efter närmare studier, de hittar den aktiva ingrediensen i växten, till exempel:en viss molekyl. Traditionellt, nästa steg skulle vara att gå in i labbet för att försöka ta reda på hur man gör den molekylen - en process som kan ta år, därav den rejäla prislappen. Med RoboRXN, IBM hävdar, alla kemister skickar helt enkelt in detaljerna om molekylen och får kort därefter explicita instruktioner om hur man gör den molekylen. Det finns några varningar, naturligtvis:det finns ingen garanti för att formeln som systemet kommer fram till skulle vara kostnadseffektiv, till exempel. Också, i sin nuvarande konfiguration, systemet är begränsat till att hantera endast fem syntetiska steg.

© 2020 Science X Network