立即发布
有了合适的工具，工作就容易多了，成本更低，速度也更快。化学工程研究人员现在开发了一个虚拟实验室，可以用来确定最适合解决流动化学系统中各种化学合成挑战的人工智能(AI)工具。
“自主系统在加速化学研发和制造方面具有巨大的潜力，但它们还没有得到广泛应用，”北卡罗莱纳州立大学(North Carolina State University)化学工程助理教授、一篇关于这项工作的论文的通讯作者米拉德·博尔哈萨尼(Milad Abolhasani)说。“这些系统面临两种挑战:寻找或开发可靠的、可重复的自动化合成的合适硬件;找到或发展正确的“大脑”，或人工智能引导的决策算法，以有效地确定合成所需材料的最佳方式。我的团队专注于硬件方面的挑战我们的人工化学家项目．我们现在发表的工作专注于解决自主决策的挑战。”
Abolhasani的工作源于他的观察:A)有很多不同的人工智能工具可用;B)对于任何给定的材料合成问题，不总是清楚哪种工具最适合;C)无论选择哪种工具，它都需要根据化学问题进行微调。
“最近，人们对使用现成的人工智能程序建模和优化化学反应越来越感兴趣，”Abolhasani说。“但这些现成的人工智能技术并不是万能的——它们在解决你想要解决的任何材料合成问题方面都不一样好。
“最终，我们希望找到最佳的人工智能模型架构，以确定最佳的材料配方，为您提供您正在寻找的目标属性。不仅要找出最好的材料，还要找出生产材料的最佳方法，这样才能使材料具有最好的特性组合。最好的人工智能模型架构将根据材料和挑战的复杂性而变化。”
所以Abolhasani和他的合作者采用了人工智能驱动的方法来为每个材料合成问题寻找最佳的人工智能工具。
博尔哈萨尼说:“不可能进行数百万次必要的实验，以确定哪种人工智能工具在解决不同种类的材料合成问题方面做得最好。”“所以，我们想要一个模拟真实世界微流体实验平台的模型，为我们有效地运行数百万个实验。”
研究人员使用他们的自动化人工化学家平台进行了1000次实验，并使用这些实验数据点来训练虚拟实验平台。
在这篇新论文中报道的工作中，虚拟实验室模拟了60多万个实验，评估了150多个人工智能引导的决策策略。如果这些实验在现实世界中进行，即使使用自动化系统和微缩体积的材料，这些实验也需要7.5年连续的机器人操作和400升的试剂。Abolhasani的团队在大约一个月的时间内完成了这项工作。
Abolhasani说:“我们已经有效地训练了我们的虚拟实验室，为每个材料合成挑战选择最好的人工智能工具。”“这些工具每次使用都变得更高效，帮助我们解决化学和化学工程中日益复杂的挑战。最终，我们认为这些人工智能驱动的工具将能够以足够快的速度运行，根据需要实时调整操作。”
纸”,加速人工智能的发展，在流动中自主合成材料，发表在杂志上化学科学．这篇论文的第一作者是北卡罗来纳州的博士后研究员罗伯特·埃普斯(Robert Epps)。这篇论文的合著者是北卡罗来纳州立大学的博士生阿曼达·沃尔克(Amanda Volk);以及布法罗大学(University at Buffalo)材料设计与创新助理教授克里斯托弗·雷耶斯(Kristofer Reyes)。
这项研究得到了美国国家科学基金会的支持，资助项目分别是1902702和1936527;北卡罗来纳大学研究机会计划;北卡罗来纳州立大学。
希普曼-
编辑:研究摘要如下。
加速人工智能发展，实现自主材料合成
作者Robert W. Epps, Amanda A. Volk和Milad Abolhasani，北卡罗莱纳州立大学;以及布法罗大学的Kristofer G. Reyes
发表: 3月9日,化学科学
DOI: 10.1039 / D0SC06463G
文摘:自主机器人实验策略正在迅速得到应用，因为在不需要用户干预的情况下，它们可以高效、精确地收敛到各种新兴材料的最佳内在和外在合成条件。然而，随着材料合成变得越来越复杂，用于自主平台的人工智能(AI)引导的决策算法的元决策变得越来越重要。在这项工作中，利用1000多个内部进行的金属卤化物钙钛矿量子点在一个自驱动模块化微流控材料合成器中的合成数据，开发了一个替代模型。该模型用于表示具有多个输出参数(峰值发射、发射线宽和量子产率)的真实机器人材料合成系统的全局故障率、合成空间的不可行区域、合成地面真值和采样噪声。在这个模型中,在单周期水平强化学习框架内，超过150个人工智能指导的决策策略通过超过60万个模拟实验自动探索——相当于7.5年连续的机器人操作和400升试剂——以确定加速材料开发的最有效方法与多个目标。具体地，研究了基于集成神经网络的材料开发策略的结构和元决策，为智能和高效地导航具有多个目标的复杂材料合成空间提供了一种有利的技术。所开发的基于集成神经网络的决策算法，能够比成熟的算法在没有预先信息的环境下更有效地优化材料配方。
- 类别:
