即时发布
一组化学工程研究人员开发了一个自驱动实验室，能够识别和优化新的复杂的多步反应路线，以合成先进的功能材料和分子。在概念验证演示中，该系统发现了一种更有效的方法来生产用于光学和光子器件的高质量半导体纳米晶体。
“材料和分子的发现进展缓慢，因为发现新化学物质的传统技术依赖于化学和材料科学实验室的孤立操作，每次改变一个参数，”北卡罗莱纳州立大学化学和生物分子工程学教授Milad Abolhasani说，他是一篇关于这项工作的论文的通讯作者。“如果一种复杂的化学物质包含几十个参数，那么开发一种新的目标材料或一种更有效的方法来生产所需的化学物质可能需要几十年的时间。
“我们的系统名为AlphaFlow，利用了一种名为强化学习的人工智能技术，当与自动化微流控设备相结合时，可以加快材料发现过程。我们已经证明，AlphaFlow可以在同一段时间内进行比100名人类化学家更多的实验，而使用的相关化学物质不到0.01%。它有效地缩小了实验，并在一个手提箱大小的端到端实验平台上执行相同的实验室操作，而这需要一个完整的湿化学实验室。它非常高效。”
AlphaFlow的人工智能模型基于两件事来决定下一步进行什么实验:它从已经运行的实验中开发出的数据，以及它对接下来几次实验结果的预测。
“我们使用之前的行动步骤和未来行动序列的预测结果的移动窗口来为AlphaFlow的决策提供信息。由此，AlphaFlow可以解释具有延迟效应的行为，并根据最新的实验结果实时调整决策，”论文第一作者、北卡罗来纳州立大学的博士生阿曼达·沃尔克(Amanda Volk)说。“基本上，该系统能够立即从意想不到的结果中学习和适应。”
无论系统是专注于发现一种新的化学物质，还是优化一种已知化学物质的制造过程，都是如此。不同之处在于，为了发现，系统试图确定需要添加哪些前体，以及添加它们的最佳顺序，以找到具有最佳性能的化学反应。而对于优化，AI模型已经知道需要添加哪些前体，以及以何种顺序添加。因此，AlphaFlow优化的重点是确定每个前驱体需要多少，以及每个反应所需的时间，以最有效地达到最佳性能。
阿波哈萨尼说:“这种人工智能和化学的集成，至少减少了开发新化学物质所需的时间。”“以小时为单位思考，而不是以月或年为单位。”
“AlphaFlow还为基础化学提供了新的见解，”Volk说。“例如，在概念验证演示中，AlphaFlow开发了一种生产具有硒化镉核心和硫化镉外壳的半导体纳米晶体的新方法。这些纳米晶体用于光子和光学技术。AlphaFlow发现的新化学方法比人类之前发现的化学方法步骤更少，这使得这个过程更高效。此外，AlphaFlow取消的一个步骤之前被认为是这种多步骤化学反应的关键步骤，这让人感到惊讶。事实上，我们不需要这一步就能生产出同样高质量的纳米晶体，这扩大了我们对所涉及的化学物质的理解。”
“基本上，AlphaFlow证明了一个人类研究人员认为至关重要的步骤其实是不必要的，”Abolhasani说。“它开发了这种更有效的化学反应，改变了我们对核/壳半导体纳米晶体多步骤化学反应的认知，只需要30天的连续操作，而不是15年的学术文献。”
目前已建立AlphaFlow进行胶体原子层沉积相关实验。从实验的角度来看，这种多步骤化学特别具有挑战性，因为它涉及许多不同的参数——可能有超过40个变量需要考虑。
Abolhasani说:“然而，AlphaFlow可以进行修改，以进行任何涉及在溶液中进行化学反应的实验。”
Volk说:“AlphaFlow是我们所知道的第一个将强化学习与自动驾驶实验室相结合的例子。”“它强调了人工智能和物理科学可以在多大程度上相互受益。”
研究人员现在正在寻找研究界和私营部门的合作伙伴，开始使用AlphaFlow来解决化学挑战。
Abolhasani说:“理想情况下，我们希望实现多个AlphaFlow平台被用于解决与能源转型和可持续性相关的不同大规模挑战，同时共享数据，使每个人都能更快地发现和开发新材料和分子。”“AlphaFlow是开源的。我们认为分享高质量的、可重复的、标准化的、实验性的数据很重要——包括失败的和成功的数据。我们认为这很重要，因为我们想加快新材料和化学工艺的发现。”
这张纸。”AlphaFlow:在强化学习的指导下，使用自驱动流体实验室自主发现和优化多步化学，出现在开放获取期刊上自然通讯．这篇论文由罗伯特·埃普斯(Robert Epps)合著，他曾是北卡罗来纳州立大学的博士生和博士后;前北卡罗来纳州立大学博士生丹尼尔·尤本(Daniel Yonemoto);前北卡罗来纳州立大学本科生本杰明·马斯特斯(Benjamin Masters);北卡罗来纳州立大学晚安创新杰出化学主席Felix Castellano;以及布法罗大学材料设计与创新助理教授克里斯托弗·雷耶斯(Kristofer Reyes)。
这项工作得到了化学科学与工程德雷福斯机器学习项目的支持，资助号为ML-21-064;北卡罗来纳大学研究机会计划(UNC-ROI)项目;国家科学基金会，资助号1902708。
希普曼-
编者须知:研究摘要如下。
作者: Amanda A. Volk, Robert W. Epps, Daniel T. Yonemoto, Benjamin S. Masters, Felix N. Castellano和Milad Abolhasani，北卡罗来纳州立大学;Kristofer G. Reyes，布法罗大学
发表:三月十四日自然通讯
DOI: 10.1038 / s41467 - 023 - 37139 - y
文摘:闭环，自主实验可以加速和材料高效的探索大的反应空间，而不需要用户干预。然而，具有复杂、多步骤过程和数据稀疏环境的先进材料的自主探索仍然是一个挑战。在这项工作中，我们提出了AlphaFlow，一个自驱动的流体实验室，能够自主发现复杂的多步化学反应。AlphaFlow将强化学习与模块化微液滴反应器集成在一起，该反应器能够执行具有可变序列、相分离、清洗和连续原位光谱监测的反应步骤。为了证明强化学习对高维多步骤化学的作用，我们使用AlphaFlow来发现和优化核壳半导体纳米颗粒的壳生长合成路线，灵感来自胶体原子层沉积(cALD)。在不了解传统cALD参数的情况下，AlphaFlow成功地识别并优化了一种新的多步反应路线，具有多达40个参数，优于传统的反应序列。通过这项工作，我们展示了闭环强化学习引导系统在探索和解决多步纳米颗粒合成挑战方面的能力，同时仅依赖于微型微流控平台的内部生成数据。AlphaFlow在cALD之外的多步骤化学中的进一步应用可以加速基础知识的生成，以及合成路线的发现和优化。
- 类别:
