半自主實驗室機器人推動探索物質(zhì)世界

ARGONNE NATIONAL LABORATORY

據(jù)悉，現(xiàn)階段研究人員迫切需要新材料來制造用于可持續(xù)能源的更好的組件。核聚變和量子計算等技術(shù)需要的是能夠耐受高水平輻射或支持量子計算，同時安全、經(jīng)濟高效和可持續(xù)的材料。但這些材料還不存在，研發(fā)它們是一項艱巨的任務，需要合成和測試大量假設(shè)的材料。

麻省理工學院核科學教授Mingda Li在電子郵件中寫道：“發(fā)現(xiàn)的材料只是假設(shè)材料中的一小部分，就像海洋中的一滴水?！?/p>

研究人員越來越多地使用self-driving lab來幫助這一發(fā)現(xiàn)過程，這是一個將先進的機器人技術(shù)與機器學習軟件相結(jié)合的實驗室系統(tǒng)，可以自主運行實驗。

例如，勞倫斯伯克利國家實驗室（Lawrence Berkeley National Laboratory）的A-Lab上個月剛剛開始運營，旨在尋找有助于制造更好的太陽能電池、燃料電池和熱電技術(shù)的新型材料。（該實驗室表示，其名稱中的“A”故意打造一種模棱兩可的感覺，可代表著自主、人工智能、抽象和加速。）

另一個最近成立的名為Polybot的實驗室位于伊利諾伊州萊蒙特的阿貢國家實驗室（Argonne National Laboratory），其運營時間比A-Lab稍長。它致力于在實驗室自主性的階梯上向自己的材料科學探索攀升。Polybot由化學分析設(shè)備、運行機器學習軟件的計算機和三個機器人組成。有一個運行化學反應的合成機器人，一個提煉反應產(chǎn)物的加工機器人，還有一個帶機械臂的輪式機器人，可以在工作站之間運送樣本。機器人使用Python編程，并在實驗中執(zhí)行所有手動任務，如加載樣本和收集數(shù)據(jù)。

從實驗中收集的數(shù)據(jù)隨后被發(fā)送到機器學習軟件進行分析。該軟件分析結(jié)果，并為下一組實驗提出改變建議，例如調(diào)整溫度、試劑量或反應時間。在沒有人為干預的情況下完成這一切的能力使self-driving lab成為一個“閉環(huán)”系統(tǒng)，Polybot于去年6月實現(xiàn)了這一目標。

Argonne科學家Jie Xu于2019年開始規(guī)劃Polybot，她表示，她希望self-driving lab成為一種“普遍適用且可重新配置”的資源，這樣各行各業(yè)的研究人員都可以利用它。Jie Xu和其他Argonne科學家已經(jīng)使用Polybot研究了電子聚合物，這是一種可以導電的塑料。我們的希望是創(chuàng)造出聚合物，能夠制造出更好、更可持續(xù)的技術(shù)，比如太陽能電池和生物傳感器。

Xu估計，在用盡所有可能的合成目標電子聚合物的方法之前，他們必須嘗試50萬次不同的實驗。Xu說，self-driving lab不可能嘗試所有這些，更不用說人類研究人員了，他們在兩年內(nèi)只能產(chǎn)生大約10molecules。

Xu說，self-driving labs有助于從兩個方向加快合成新材料的過程。一種是使用機器人：機器人可以比人類更快地進行假設(shè)材料的合成和分析，因為機器人可以持續(xù)運行。另一種方法是使用機器學習來確定調(diào)整哪些參數(shù)的優(yōu)先級，這些參數(shù)最有可能在下一次實驗中產(chǎn)生更好的結(jié)果。Xu說，良好的優(yōu)先順序很重要，因為溫度和試劑數(shù)量等可調(diào)實驗參數(shù)的數(shù)量之多可能會讓人望而生畏。

self-driving labs還提供了生成大量實驗數(shù)據(jù)的優(yōu)勢。這些數(shù)據(jù)很有價值，因為機器學習算法需要在大量數(shù)據(jù)上進行訓練才能產(chǎn)生有用的結(jié)果。單個實驗室無法單獨生成如此大的數(shù)據(jù)，因此一些實驗室已經(jīng)開始將他們的數(shù)據(jù)與其他研究人員的數(shù)據(jù)進行匯總。

LBNL的A-Lab還定期向材料項目提供數(shù)據(jù)，該項目匯集了世界各地材料科學研究人員的數(shù)據(jù)。Milad Abolhasani在北卡羅來納州立大學的實驗室研究self-driving labs，他表示，擴大開放訪問數(shù)據(jù)共享對該類型實驗室的成功至關(guān)重要。但有效地共享數(shù)據(jù)需要對實驗室數(shù)據(jù)的格式和報告方式進行標準化。

Abolhasani估計，世界上只有少數(shù)真正的self-driving labs能夠在沒有人為干預和頻繁故障的情況下連續(xù)運行。他說，這個數(shù)字可能很快就會增加，因為美國的每個國家實驗室都在致力于建造該款實驗室。

不過，這仍然存在著巨大的準入障礙。專用機器人和實驗室環(huán)境成本高昂，需要數(shù)年時間才能建立所需的基礎(chǔ)設(shè)施并將機器人系統(tǒng)與現(xiàn)有實驗室設(shè)備集成。每次進行新的實驗時，研究人員可能會發(fā)現(xiàn)他們還必須對系統(tǒng)進行進一步的定制。

Xu在Argonne的同事Henry Chan表示，他們最終希望Polybot的機器學習能力不僅僅是優(yōu)化實驗。他想利用該系統(tǒng)進行發(fā)現(xiàn)，創(chuàng)造全新的材料，例如具有新分子結(jié)構(gòu)的聚合物。

發(fā)現(xiàn)要困難得多，因為它需要機器學習算法從幾乎無限數(shù)量的起點中決定首先從哪里開始。

Chan說：“對于優(yōu)化，你仍然可以劃定空間，但對于發(fā)現(xiàn)，空間是無限的。因為可能存在著不同的結(jié)構(gòu)，不同的成分，不同的加工方式?！?/p>

但A-Lab的研究結(jié)果表明，這是可能的。當實驗室于今年早些時候開放時，研究人員試圖通過對材料項目數(shù)據(jù)庫中的數(shù)據(jù)運行機器學習算法來合成全新的材料。self-driving lab的表現(xiàn)好于預期，70%的時間都取得了有希望的結(jié)果。

A-Lab的首席研究員Gerd Ceder寫道：“我們最多只預期了30%左右的成功率。”