Eine Hochgeschwindigkeits-Materialplattform könnte riesige Daten generieren, um KI-gesteuerte Entdeckungen voranzutreiben.
Das haben Wissenschaftler der Northwestern University zum ersten Mal gezeigt.
Megalibraries die die Materialentdeckung dramatisch beschleunigen kann mehr als nur aufdecken Vielversprechende neue Materialien&. Es kann Wissenschaftlern auch dabei helfen, absichtlich neue Materialien mit bestimmten Eigenschaften zu entwickeln.
In einer neuen Studie forderte das Team die Megalibrary-Plattform auf, Tausende chemischer Kombinationen zu durchsuchen, um einen vielversprechenden piezoelektrischen Kandidaten zu finden, ein Material, das beim Pressen, Biegen oder Zusammendrücken Strom erzeugt. Anschließend nutzten die Forscher die Plattform, um bewusst ein piezoelektrisches Material zu entwerfen, das bei einer bestimmten Temperatur arbeitet. Die Plattform war nicht nur erfolgreich, sondern auch unglaublich schnell und ermöglichte die Gestaltung eines vielversprechenden Kandidatenmaterials innerhalb weniger Stunden.
Dieser Fortschritt weist auf eine Zukunft hin, in der Wissenschaftler über den traditionell langsamen Versuch-und-Irrtum-Ansatz hinausgehen und schnell Materialien mit maßgeschneiderten Eigenschaften entwerfen, synthetisieren und testen können. Ebenso wichtig ist, dass die Plattform die umfangreichen, hochwertigen Datensätze generieren kann, die zum Trainieren von Systemen der künstlichen Intelligenz (KI) erforderlich sind, um die Entdeckung der nächsten Generation von Materialien zu unterstützen.
Die von Mirkins Team erstmals 2016 vorgestellte Megalibrary-Plattform kann die jahrelange Suche nach neuen Materialien auf einen einzigen Tag verdichten. Durch die gleichzeitige Synthese von Millionen winziger Materialkandidaten auf einem einzigen Chip ermöglicht die Plattform Wissenschaftlern die Erforschung chemischer Möglichkeiten in einem Ausmaß, das mit herkömmlichen Trial-and-Error-Methoden nicht praktikabel ist.
Mirkin verglich diesen Ansatz mit aufstrebenden “-Selbstfahrlaboren und automatisierten ”-Systemen, die Robotik und KI nutzen, um iterativ neue Materialien vorzuschlagen, zu entwickeln und zu testen. Diese Plattformen arbeiten typischerweise Schritt für Schritt und verfeinern ein Experiment nach dem anderen. Aber die Megalibrary verfolgt einen massiv parallelen Ansatz und generiert und bewertet gleichzeitig eine enorme Anzahl von Kandidaten.
“Im Vergleich zur Megalibrary, die sich im Sprint bewegt, kriechen selbstfahrende Labore im Grunde, sagte”, Jarod Beights, ein Doktorand der Mirkin Research Group und Co-Erstautor der Studie. “Diese Labore können mit unseren Geschwindigkeiten nicht mithalten und können nicht mit der Generierung von Daten konkurrieren, die für das Training von KI-Algorithmen unbedingt erforderlich ist.”
Materialien mit Zweck entwerfen
Nachdem Mirkin die Fähigkeit der Plattform demonstriert hatte, neue Materialien zu entdecken, wollte er die Megalibrary nutzen, um ein Material mit einem bestimmten Verhalten zu entwerfen. Um dieses Ziel zu erreichen, konzentrierte sich Mirkins Team auf piezoelektrische Materialien, die in einer Reihe von Technologien eingesetzt werden, von Ultraschallbildgebung und Sensoren bis hin zu Bewegungsdetektoren und Energiegewinnungsgeräten. Mithilfe der Plattform identifizierten die Forscher ein bisher unbekanntes, chemisch komplexes Material, das durch herkömmliche Experimente oder die iterativeren Entdeckungsansätze neuer selbstfahrender Labore außerordentlich schwer zu finden gewesen wäre.
Aber der größere Fortschritt kam als nächstes.
Durch die Analyse, wie sich subtile Änderungen der chemischen Zusammensetzung auf die Leistung auswirkten, deckte Mirkins Team einen nützlichen Zusammenhang zwischen Materialzusammensetzung und Betriebstemperatur auf. Auf der Grundlage dieser Erkenntnisse entwickelten die Forscher ein piezoelektrisches Material, das seine Funktion bis zu 80 Grad Celsius (176 Grad Fahrenheit) aufrechterhalten soll. Die Fähigkeit, die Leistung eines Materials abzustimmen, bedeutet, dass Wissenschaftler damit beginnen können, Materialien an bestimmte Technologien und Betriebsbedingungen anzupassen, einschließlich temperaturempfindlicher Geräte.
Förderung KI-gesteuerter Entdeckungen
Über die Materialentdeckung hinaus trägt die Plattform dazu bei, eine wachsende Herausforderung in der KI-gesteuerten Wissenschaft anzugehen: den Bedarf an großen, hochwertigen Datensätzen, die auf realen Experimenten basieren. KI-Systeme sind nur so leistungsstark wie die Datensätze, mit denen sie trainiert werden. Während Wissenschaftler die Materialsynthese zunehmend automatisieren können, ist das schnelle Sammeln aussagekräftiger Informationen über das Verhalten dieser Materialien nach wie vor ein großer Engpass. Die Megalibrary könnte helfen, diese Herausforderung zu meistern.
Durch die schnelle Generierung und Durchsicht einer großen Anzahl von Materialien kann die Plattform riesige Datensätze erstellen, die Chemie mit Leistung verbinden. Algorithmen für maschinelles Lernen benötigen diese Art strukturierter Informationen, um versteckte Muster zu identifizieren, vielversprechende Kandidaten vorherzusagen und die Zukunft der Entdeckung zu beschleunigen.
“Wir haben eine Screening-Funktion entwickelt, die es Forschern ermöglicht, buchstäblich eine Million verschiedene Materialien zu betrachten und eine Million Datenpunkte zu generieren, sagte der Co-Erstautor der Studie, Jun Li, ein ehemaliger Postdoktorand im Nordwesten, der jetzt Assistenzprofessor für Maschinenbau ist an der University of Colorado Boulder. “Wir können diese Daten zum Trainieren von Algorithmen verwenden.”
