I hjärtat av många tidigare vetenskapliga genombrott ligger upptäckten av nya material. Dock, cykeln av syntes, att testa och optimera nya material tar rutinmässigt forskarna långa timmar av hårt arbete. På grund av detta, massor av potentiellt användbara material med exotiska egenskaper förblir oupptäckta. Men tänk om vi kunde automatisera hela den nya materialutvecklingsprocessen med hjälp av robotik och artificiell intelligens, gör det mycket snabbare?

I en nyligen publicerad studie publicerad på APL-material , forskare från Tokyo Institute of Technology (Tokyo Tech), Japan, leds av docent Ryota Shimizu och professor Taro Hitosugi, utarbetat en strategi som kunde göra helt autonom materialforskning till verklighet. Deras arbete är centrerat kring den revolutionerande idén att laboratorieutrustning är "CASH" (ansluten, Autonom, Delad, Hög genomströmning). Med en CASH-installation i ett materiallaboratorium, forskare behöver bara bestämma vilka materialegenskaper de vill optimera och mata systemet med de nödvändiga ingredienserna; det automatiska systemet tar sedan kontroll och förbereder och testar upprepade gånger nya föreningar tills den bästa hittas. Med hjälp av maskininlärningsalgoritmer, systemet kan använda tidigare kunskaper för att bestämma hur syntesförhållandena ska ändras för att närma sig det önskade resultatet i varje cykel.

För att visa att CASH är en genomförbar strategi inom forskning om fasta material, Associate Prof Shimizu och team skapade ett proof-of-concept-system som består av en robotarm omgiven av flera moduler. Deras inställning var inriktad på att minimera det elektriska motståndet hos en tunn film av titandioxid genom att justera avsättningsförhållandena. Därför, modulerna är en sputterdeponeringsapparat och en anordning för att mäta motstånd. Robotarmen överförde proverna från modul till modul efter behov, och systemet förutspådde autonomt syntesparametrarna för nästa iteration baserat på tidigare data. För förutsägelsen, de använde den Bayesianska optimeringsalgoritmen.

Otroligt, deras CASH setup lyckades producera och testa cirka tolv prover per dag, en tiofaldig ökning av genomströmningen jämfört med vad forskare kan uppnå manuellt i ett konventionellt laboratorium. Förutom denna betydande hastighetsökning, en av de främsta fördelarna med CASH-strategin är möjligheten att skapa enorma delade databaser som beskriver hur materialegenskaper varierar beroende på syntesförhållanden. I detta avseende Prof Hitosugi anmärker:"Idag, databaser över ämnen och deras egenskaper är fortfarande ofullständiga. Med CASH-metoden, vi kunde enkelt komplettera dem och sedan upptäcka dolda materialegenskaper, leder till upptäckten av nya fysikens lagar och resulterar i insikter genom statistisk analys."

Forskargruppen tror att CASH-metoden kommer att åstadkomma en revolution inom materialvetenskap. Databaser som genereras snabbt och utan ansträngning av CASH-system kommer att kombineras till big data och forskare kommer att använda avancerade algoritmer för att bearbeta dem och extrahera mänskliga förståeliga uttryck. Dock, som Prof Hitosugi noterar, Enbart maskininlärning och robotik kan inte hitta insikter eller upptäcka begrepp inom fysik och kemi. "Utbildningen av framtida materialforskare måste utvecklas; de kommer att behöva förstå vad maskininlärning kan lösa och ställa in problemet därefter. Styrkan hos mänskliga forskare ligger i att skapa koncept eller identifiera problem i samhället. Att kombinera dessa styrkor med maskininlärning och robotik är väldigt viktigt, " han säger.

Övergripande, den här perspektivartikeln belyser de enorma fördelar som automatisering kan ge materialvetenskap. Om vikten av repetitiva uppgifter lyfts från forskarnas axlar, de kommer att kunna fokusera mer på att avslöja den materiella världens hemligheter till förmån för mänskligheten.