Fälten kemi och materialvetenskap ser ett ökande intresse för "självkörande labb", som använder sig av artificiell intelligens (AI) och automatiserade system för att påskynda forskning och upptäckt. Forskare föreslår nu en uppsättning definitioner och prestandamått som gör det möjligt för forskare, icke-experter och framtida användare att bättre förstå både vad dessa nya tekniker gör och hur varje teknik presterar i jämförelse med andra självkörande labb.
Självkörande labb har ett enormt löfte om att påskynda upptäckten av nya molekyler, material och tillverkningsprocesser, med tillämpningar som sträcker sig från elektroniska enheter till läkemedel. Även om teknikerna fortfarande är ganska nya, har vissa visat sig minska tiden som behövs för att identifiera nya material från månader eller år till dagar.
"Självkörande labb får mycket uppmärksamhet just nu, men det finns många utestående frågor angående dessa teknologier", säger Milad Abolhasani, motsvarande författare till en artikel om de nya mätvärdena och docent i kemi- och biomolekylär teknik. vid North Carolina State University.
"Den här tekniken beskrivs som "autonom", men olika forskarlag definierar "autonoma" på olika sätt. På samma sätt rapporterar olika forskarlag olika delar av sitt arbete på olika sätt. Detta gör det svårt att jämföra dessa teknologier med varandra, och jämförelse är viktigt om vi vill kunna lära av varandra och driva fältet framåt.
"Vad gör Self-Driving Lab A riktigt bra? Hur kan vi använda det för att förbättra prestandan för Self-Driving Lab B? Vi föreslår en uppsättning delade definitioner och prestationsmått, som vi hoppas kommer att antas av alla som arbetar i det här utrymmet. Slutmålet kommer att vara att låta oss alla lära av varandra och utveckla dessa kraftfulla forskningsaccelerationsteknologier."
"Vi verkar till exempel se vissa utmaningar i självkörande labb relaterade till prestanda, precision och robusthet hos vissa autonoma system", säger Abolhasani.
"Detta väcker frågor om hur användbara dessa tekniker kan vara. Om vi har standardiserade mätvärden och rapportering av resultat kan vi identifiera dessa utmaningar och bättre förstå hur vi ska hantera dem."
Kärnan i det nya förslaget är en tydlig definition av självkörande labb och sju föreslagna prestationsmått, som forskare skulle inkludera i alla publicerade arbeten som rör deras självkörande labb.
"Optimeringseffektivitet är en av de viktigaste av dessa mått, men den är också en av de mest komplexa - den lämpar sig inte för en kortfattad definition", säger Abolhasani. "I huvudsak vill vi att forskare ska kvantitativt analysera prestandan för deras självkörande labb och dess valalgoritm för experiment genom att jämföra det mot en baslinje - till exempel slumpmässigt urval.
"I slutändan tror vi att ett standardiserat tillvägagångssätt för rapportering av självkörande labb kommer att bidra till att säkerställa att detta område producerar pålitliga, reproducerbara resultat som gör det mesta av AI-program som drar nytta av de stora, högkvalitativa datamängder som produceras av sig själv. -körlabb", säger Abolhasani.
Uppsatsen, "Performance Metrics to Unleash the Power of Self-Driving Labs in Chemistry and Materials Science", publiceras med öppen tillgång i tidskriften Nature Communications .
Mer information: Amanda A. Volk et al, Prestationsmätningar för att frigöra kraften i självkörande labb inom kemi och materialvetenskap, Nature Communications (2024). DOI:10.1038/s41467-024-45569-5
Tillhandahålls av North Carolina State University
