Les laboratoires de chimie pilotés par l’IA fonctionnent-ils réellement ? De nouvelles mesures promettent des réponses

[ad_1]

Les domaines de la chimie et de la science des matériaux connaissent un regain d'intérêt pour les « laboratoires autonomes », qui utilisent l'intelligence artificielle (IA) et les systèmes automatisés pour accélérer la recherche et la découverte. Les chercheurs proposent désormais une suite de définitions et de mesures de performance qui permettront aux chercheurs, aux non-experts et aux futurs utilisateurs de mieux comprendre à la fois ce que font ces nouvelles technologies et comment chaque technologie fonctionne par rapport à d'autres laboratoires autonomes.

Les laboratoires autonomes sont extrêmement prometteurs pour accélérer la découverte de nouvelles molécules, matériaux et processus de fabrication, avec des applications allant des appareils électroniques aux produits pharmaceutiques. Bien que les technologies soient encore relativement nouvelles, il a été démontré que certaines réduisent le temps nécessaire à l’identification de nouveaux matériaux de plusieurs mois ou années à quelques jours.

« Les laboratoires autonomes suscitent actuellement beaucoup d'attention, mais de nombreuses questions restent en suspens concernant ces technologies », déclare Milad Abolhasani, auteur correspondant d'un article sur les nouvelles mesures et professeur agrégé de génie chimique et biomoléculaire. à l'Université d'État de Caroline du Nord. « Cette technologie est décrite comme étant « autonome », mais différentes équipes de recherche définissent le terme « autonome » différemment. De la même manière, différentes équipes de recherche rendent compte de différents éléments de leur travail de différentes manières. Cela rend difficile la comparaison de ces technologies avec les uns les autres, et la comparaison est importante si nous voulons pouvoir apprendre les uns des autres et faire avancer le domaine.

« Qu'est-ce que le laboratoire de conduite autonome A fait vraiment bien ? Comment pourrions-nous utiliser cela pour améliorer les performances du laboratoire de conduite autonome B ? Nous proposons un ensemble de définitions et de mesures de performance partagées, qui, nous l'espérons, seront adoptées par tous ceux qui travaillent. dans cet espace. L’objectif final sera de nous permettre à tous d’apprendre les uns des autres et de faire progresser ces puissantes technologies d’accélération de la recherche.

« Par exemple, nous semblons constater des défis dans les laboratoires de conduite autonome liés aux performances, à la précision et à la robustesse de certains systèmes autonomes », explique Abolhasani. « Cela soulève des questions sur l'utilité de ces technologies. Si nous disposons de mesures et de rapports de résultats standardisés, nous pouvons identifier ces défis et mieux comprendre comment les relever. »

Au cœur de la nouvelle proposition se trouvent une définition claire des laboratoires autonomes et sept mesures de performance proposées, que les chercheurs incluraient dans tout travail publié lié à leurs laboratoires autonomes.

  • Degré d’autonomie : de combien de conseils un système a-t-il besoin de la part des utilisateurs ?
  • Durée de vie opérationnelle : combien de temps le système peut-il fonctionner sans intervention des utilisateurs ?
  • Débit : combien de temps faut-il au système pour exécuter une seule expérience ?
  • Précision expérimentale : dans quelle mesure les résultats du système sont-ils reproductibles ?
  • Utilisation du matériel : quelle est la quantité totale de matériaux utilisée par un système pour chaque expérience ?
  • Espace de paramètres accessible : dans quelle mesure le système peut-il prendre en compte toutes les variables de chaque expérience ?
  • Efficacité de l'optimisation.

« L'efficacité de l'optimisation est l'une des mesures les plus importantes, mais c'est aussi l'une des plus complexes : elle ne se prête pas à une définition concise », explique Abolhasani. « Essentiellement, nous voulons que les chercheurs analysent quantitativement les performances de leur laboratoire autonome et de son algorithme de sélection d'expériences en les comparant à une base de référence, par exemple un échantillonnage aléatoire.

« En fin de compte, nous pensons qu'avoir une approche standardisée en matière de reporting sur les laboratoires autonomes contribuera à garantir que ce domaine produise des résultats fiables et reproductibles qui tirent le meilleur parti des programmes d'IA qui capitalisent sur les vastes ensembles de données de haute qualité produits par l'auto-conduite. -des laboratoires de conduite », explique Abolhasani.

Le travail a été réalisé avec le soutien du programme Dreyfus pour l'apprentissage automatique dans les sciences et l'ingénierie chimiques, sous le numéro de récompense ML-21-064 ; le programme Research Opportunities Initiative de l'Université de Caroline du Nord ; et la National Science Foundation, grâce aux subventions 1940959 et 2208406.

[ad_2]

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*