Vem är den bättre experimentalisten, en människa eller en robot? När det gäller att utforska syntetiska och kristallisationsförhållanden för oorganiska gigantiska molekyler, aktivt lärande maskiner ligger klart före, som visades av brittiska forskare i ett experiment med polyoxometalater publicerat i tidskriften Angewandte Chemie .

Polyoxometallater bildas genom självmontering av ett stort antal metallatomer överbryggade av syreatomer. Potentiella användningsområden inkluderar katalys, elektronik, och medicin. Insikter i självorganiseringsprocesserna kan också vara till nytta för att utveckla funktionella kemiska system som "molekylära maskiner".

Polyoxometalater erbjuder en nästan obegränsad mängd strukturer. Dock, det är inte lätt att hitta nya, eftersom aggregeringen av komplexa oorganiska molekyler till gigantiska molekyler är en process som är svår att förutsäga. Det är nödvändigt att hitta förhållanden under vilka byggstenarna aggregerar och sedan också kristalliserar, så att de kan karakteriseras.

Ett team under ledning av Leroy Cronin vid University of Glasgow (UK) har nu utvecklat ett nytt tillvägagångssätt för att definiera utbudet av lämpliga förhållanden för syntes och kristallisering av polyoxometalater. Den är baserad på de senaste framstegen inom maskininlärning, kallas aktivt lärande. De lät sin tränade maskin tävla mot erfarna experimenters intuition. Testexemplet var Na(6)[Mo(120)Ce(6)O(366)H(12)(H(2)O)(78)]·200 H(2)O, en ny, ringformad polyoxometalatkluster som nyligen upptäcktes av forskarnas automatiserade kemiska robot.

I experimentet, de relativa mängderna av de tre nödvändiga reagenslösningarna skulle varieras medan protokollet i övrigt föreskrevs. Utgångspunkten var en uppsättning data från framgångsrika och misslyckade kristallisationsexperiment. Syftet var att planera tio experiment och sedan använda resultaten från dessa för att gå vidare till nästa uppsättning av tio experiment – ​​totalt hundra kristallisationsförsök.

Även om experimenterande av kött och blod kunde producera mer framgångsrika kristalliseringar, den mycket mer "äventyrliga" maskinalgoritmen var överlägsen i balans eftersom den täckte en betydligt bredare domän av "kristallisationsutrymmet". Kvaliteten på förutsägelsen om huruvida ett experiment skulle leda till kristallisering förbättrades betydligt mer av maskinen än av de mänskliga försökspersonerna. En serie på 100 rent slumpmässiga experiment resulterade inte i någon förbättring. Dessutom, maskinen upptäckte en rad förhållanden som ledde till kristaller som inte skulle ha förväntats baserat på ren intuition. Denna "opartiska" automatiserade metod gör upptäckten av nya föreningar mer troligt än att lita på mänsklig intuition. Forskarna letar nu efter sätt att skapa särskilt effektiva "team" av människa och maskin.