Chiuso

James Tyrrell

@JT_bluebird1

[email protected]

Le macchine possono produrre batterie migliori? I metodi di intelligenza artificiale a circuito chiuso stanno accelerando il processo di scoperta dei materiali dei dispositivi.

L’intelligenza artificiale (AI) apporta una sorta di magia a varie esigenze aziendali, dall’apertura dell’accesso alla consulenza legale aziendale alla previsione di quali tipi di prodotti i clienti desiderano acquistare. I sistemi stanno diventando così capaci nelle attività lavorative che alcune persone si chiedono se l’intelligenza artificiale prenderà il nostro lavoro. Ma pochi si lamenterebbero se le macchine potessero costruire batterie migliori in modo che gli smartphone e altri dispositivi portatili durassero più a lungo tra una ricarica e l’altra. Ed è qui che i metodi di intelligenza artificiale a circuito chiuso, con assistenti di laboratorio robot, stanno lasciando il segno.

Pubblicando i loro ultimi risultati sulla rivista ad accesso libero STAM Methods, i ricercatori giapponesi hanno svelato NIMS OS, una libreria Python per l'esplorazione automatizzata dei materiali. Il sistema di orchestrazione, disponibile su GitHub, è dotato di intelligenza artificiale a circuito chiuso che genera un file di proposte di combinazioni di materiali per i test sui robot e quindi perfeziona i candidati più promettenti sulla base di tali risultati sperimentali.

Come spiega il team, che comprende membri del Center for Advanced Battery Collaboration e del Research Center for Energy and Environmental Materials, entrambi parte dell'Istituto nazionale giapponese per la scienza dei materiali (NIMS), l'intelligenza artificiale a circuito chiuso è il prossimo passo verso la costruzione di sistemi migliori. dispositivi.

"Gli esperimenti robotici sono progrediti fino a realizzare l'automazione del laboratorio di analisi chimiche e screening ad alto rendimento nel campo della biologia", scrivono i ricercatori nel loro articolo. “Inoltre, sono stati proposti molti metodi per l’ottimizzazione della scatola nera nell’esplorazione dei materiali, come algoritmi genetici, ricerca di alberi Monte Carlo, campionamento di eventi rari e algoritmi che utilizzano una macchina Ising”.

I sistemi di intelligenza artificiale a circuito chiuso e integrati verticalmente rappresentano il futuro del mondo fisico. Adoro questa macchina robotica per uccidere le erbacce. h/t @byjacobward pic.twitter.com/oASjG2STVH

— Aaron Slodov (@aphysicalt) 12 giugno 2023

IA a circuito chiuso sul campo.

Combinando questi sviluppi in un approccio AI a circuito chiuso per la scoperta di nuovi materiali, non solo si accelera la ricerca di batterie ed elementi di dispositivi migliori, ma si elimina anche l’errore umano dalla raccolta dei risultati sperimentali.

Il sistema operativo NIMS divide il processo in una serie di moduli che rappresentano singoli algoritmi di intelligenza artificiale o sistemi robotici. E gli utenti possono progettare l’automazione AI a circuito chiuso necessaria per i loro progetti di scoperta dei materiali assemblando combinazioni dei vari moduli software.

Uno degli approcci di machine learning più comunemente utilizzati nel settore è la cosiddetta ottimizzazione bayesiana (BO), che è un approccio statistico per ottimizzare i parametri di progettazione. “Utilizzando BO, sono stati esplorati vari materiali reali, come materiali conduttivi agli ioni di litio, metamateriali multistrato, perovskite alogenuro, superleghe ed elettroliti”, spiega il gruppo NIMS OS.

Attualmente, gli sviluppatori hanno implementato tre tipi di algoritmi AI, incluso BO, nella loro piattaforma AI a circuito chiuso. Gli esempi includono un pacchetto Python per esplorare film sottili e polimeri, nonché un predittore per selezionare il prossimo ciclo di condizioni sperimentali, che si basa sulla regressione casuale della foresta. E, per mantenere le cose interessanti, c'è anche un'opzione di esplorazione casuale. Tuttavia, questo viene utilizzato principalmente come punto di partenza per gli algoritmi di intelligenza artificiale, che dovrebbero – man mano che il robot raccoglie i risultati sperimentali – convergere verso candidati materiali promettenti.