Att ha rätt verktyg för jobbet gör jobbet mycket enklare, billigare och snabbare. Forskare inom kemiteknik har nu utvecklat ett virtuellt laboratorium som kan användas för att bestämma de artificiella intelligens-verktygen (AI) som är bäst lämpade för att hantera olika kemiska syntesutmaningar i flödeskemisystem.

"Autonoma system har en enorm potential för att accelerera kemisk FoU och tillverkning, men de är inte i utbredd användning ännu, säger Milad Abolhasani, motsvarande författare till en artikel om arbetet och en biträdande professor i kemiteknik vid North Carolina State University. "Dessa system står inför två typer av utmaningar:att hitta eller utveckla rätt hårdvara för pålitlig, reproducerbar automatiserad syntes; och hitta eller utveckla den högra hjärnan, ' eller AI-styrd beslutsalgoritm, för att effektivt bestämma det bästa sättet att syntetisera det önskade materialet. Mitt team fokuserade på hårdvaruutmaningarna med vårt artificiella kemistprojekt. Arbetet vi publicerar nu är fokuserat på att ta itu med de autonoma beslutsfattande utmaningarna."

Abolhasanis arbete härrör från hans observation att:A) det finns många olika AI-verktyg tillgängliga; B) det är inte alltid klart vilket verktyg som passar bäst för ett givet materialsyntesproblem; och C) vilket verktyg som än väljs, det kommer alltid att behöva finjusteras utifrån kemiproblemet.

"Nyligen, det har funnits ett ökat intresse för att använda off-the-shelf AI-program för modellering och optimering av kemiska reaktioner, " Abolhasani säger. "Men de där vanliga AI-teknikerna är inte enstaka – de är inte alla lika bra på att lösa vilket materialsyntesproblem du än vill ta itu med.

"I sista hand, vi vill hitta den bästa AI-modellarkitekturen för att bestämma den bästa materialformuleringen som ger dig de målegenskaper du letar efter. Inte bara identifiera det bästa materialet, men det bästa sättet att framställa det materialet så att det har bästa möjliga kombination av egenskaper. Och den bästa AI-modellarkitekturen kommer att variera beroende på materialet och utmaningens komplexitet."

Så Abolhasani och hans medarbetare tog ett AI-drivet tillvägagångssätt för att hitta det bästa AI-verktyget för varje materialsyntesproblem.

"Det skulle vara omöjligt att göra de miljontals experiment som krävs för att avgöra vilka AI-verktyg som gör det bästa jobbet för att ta itu med olika typer av materialsyntesproblem, " säger Abolhasani. "Så, vi ville ha en modell som simulerar en verklig mikrofluidisk experimentplattform för att effektivt köra dessa miljontals experiment åt oss."

Forskarna körde 1, 000 experiment med deras automatiserade plattform för artificiell kemist och använde dessa experimentella datapunkter för att träna den virtuella experimentplattformen.

För det arbete som redovisas i den nya tidningen, det virtuella laboratoriet simulerade mer än 600, 000 experiment, utvärderar mer än 150 AI-styrda beslutsfattande strategier. Om dessa experiment kördes i den verkliga världen, även med hjälp av automatiserade system och mikroskala volymer av material, experimenten skulle ha tagit 7,5 år av kontinuerlig robotdrift och 400 liter reagens. Abolhasanis team gjorde det på ungefär en månad.

"Vi har effektivt tränat vårt virtuella labb för att välja de bästa AI-verktygen för varje materialsyntesutmaning, " Abolhasani säger. "Och dessa verktyg blir mer effektiva varje gång vi använder dem, hjälper oss att lösa allt mer komplexa utmaningar inom kemi och kemiteknik. I sista hand, vi tror att dessa AI-drivna verktyg kommer att kunna fungera tillräckligt snabbt för att justera verksamheten efter behov i realtid."

Pappret, "Accelererad AI-utveckling för autonom materialsyntes i flöde, " publiceras i tidskriften Kemivetenskap .