Die aus Experimenten gesammelten Informationen werden anschließend zur Auswertung an die Software für maschinelles Lernen gesendet. Das Softwareprogramm wertet die Ergebnisse aus und empfiehlt auch Modifikationen für die folgende Reihe von Experimenten, wie z. B. eine Neuanpassung des Temperaturniveaus, der Reagenzienmenge oder der Größe der Reaktionen. Die Fähigkeit, all dies ohne menschliches Zutun zu erreichen, macht ein selbstfahrendes Labor zu einem „geschlossenen“ System, was Polybot im vergangenen Juni geschafft hat.
Selbstfahrende Labore nutzen außerdem den Vorteil, große Mengen spekulativer Informationen zu produzieren. Da Formeln für maschinelles Lernen auf einer Vielzahl von Informationen basieren müssen, um wertvolle Ergebnisse zu erzielen, sind diese Informationen wichtig. Ein einzelnes Labor ist allein nicht in der Lage, diese Datenmenge zu produzieren, daher haben einige Labore damit begonnen, ihre Daten zusammenzuführen und die anderer Wissenschaftler beizubehalten.
Es werden schnell brandneue Produkte benötigt, um weitaus bessere Komponenten herzustellen, die für eine dauerhafte Stromversorgung eingesetzt werden. Technologien wie die Kernkombination und auch Quantencomputer erfordern Produkte, die hohen Strahlungsgraden standhalten oder Quantencomputer unterstützen und gleichzeitig risikofrei, erschwinglich und auch langlebig sind. Diese Produkte gibt es noch nicht, und sie zu finden ist eine große Aufgabe, die die Herstellung und Bewertung großer Mengen angenommener Produkte umfasst.
Die Ergebnisse von A-Lab deuten jedoch darauf hin, dass dies machbar sein könnte. Als das Labor Anfang dieses Jahres eröffnet wurde, versuchten Wissenschaftler, völlig neue Produkte herzustellen, indem sie ihre Formeln für maschinelles Lernen auf Informationen aus der Datenquelle „Products Task“ ausführten. Das selbstfahrende Labor schnitt weitaus besser ab als erwartet und lieferte in 70 Prozent der Fälle ermutigende Ergebnisse.
Abolhasani Price zitiert, dass es auf der ganzen Welt nur eine Handvoll wirklich selbstfahrender Labore gibt – Labore, die ohne menschliches Zutun und ohne ständige Störungen kontinuierlich laufen können. Diese Zahl könnte schnell steigen, sagte er, da jedes nationale Labor in den USA ein solches aufbaut.
Relevante Artikel rund um das Internet
Dennoch gibt es immer noch erhebliche Zugangshürden. Spezialisierte Robotik und Laborumgebungen sind kostspielig, und es dauert Jahre, den erforderlichen Rahmen zu bauen und Robotersysteme in bestehende Laborgeräte zu integrieren. Jedes Mal, wenn ein brandneues Experiment durchgeführt wird, stellen Wissenschaftler möglicherweise fest, dass sie weitere Änderungen am System vornehmen müssen.
Aus Ihren Website-Artikeln
Die Argonne-Forscherin Jie Xu, die 2019 mit der Entwicklung von Polybot begann, sagte, sie wolle, dass das selbstfahrende Labor als „rekonfigurierbare und weitreichende Quelle“ fungiere, damit Wissenschaftler aller Couleur das Beste daraus machen könnten. Xu und andere Argonne-Forscher haben Polybot tatsächlich genutzt, um digitale Polymere zu untersuchen, bei denen es sich um Kunststoffe handelt, die Strom übertragen können. Die Hoffnung besteht darin, Polymere herzustellen, die bessere und langlebigere Varianten von Innovationen ermöglichen können, die wir heute nutzen, wie etwa Solarbatterien und Biosensoren.
Ein Gerät, das Wissenschaftler zur Unterstützung dieses Erkundungsprozesses maßgeblich nutzen, ist das selbstfahrende Labor – ein Laborsystem, das innovative Robotik mit Software für maschinelles Lernen verbindet, um Experimente autonom durchzuführen.
Die Erkundung ist viel schwieriger durchzuführen, da sie Formeln des maschinellen Lernens erfordert, um zu entscheiden, wo eine praktisch unbegrenzte Anzahl von Anfangsfaktoren verfolgt werden soll.
Henry Chan, Xus Mitarbeiter bei Argonne, sagte, dass sie sich irgendwann wünschen, dass die maschinellen Lernfähigkeiten von Polybot über bloße Verbesserungsexperimente hinausgehen. Er möchte das System zur Erforschung nutzen – zur Entwicklung völlig neuer Produkte, etwa Polymere mit brandneuen Molekülgerüsten.
Ein weiteres, erst kürzlich gebautes selbstfahrendes Labor namens Polybot am Argonne National Research Laboratory in Lemont, Illinois, ist schon etwas länger im Geschäft als A-Lab. Infolgedessen ist die Laborfreiheit in Richtung eigener wissenschaftlicher Forschungsaktivitäten gestiegen. Polybot umfasst chemische Analysegeräte, Computersysteme, auf denen Softwareprogramme für maschinelles Lernen laufen, und auch drei Robotiksysteme. Es gibt einen künstlichen Roboter, der Kettenreaktionen ausführt, einen Handhabungsroboter, der die Antwortelemente verbessert, und auch einen Roboter auf Rädern mit einem Roboterarm, der Beispiele zwischen Terminals überträgt. Robotik wird mithilfe von Python-Manuskripten konfiguriert und erledigt alle praktischen Aufgaben in Experimenten, wie das Packen von Beispielen und das Sammeln von Informationen.
„Zur Optimierung kann man den Raum immer noch spezifizieren, aber auch für die Erkundung ist der Raum unbegrenzt“, behauptete Chan. „Da es unterschiedliche Rahmenbedingungen, unterschiedliche Aufmachungen und unterschiedliche Handhabungsmöglichkeiten gibt.“
„Die aufgedeckten Produkte sind ein wirklich kleiner Teil der angenommenen Produkte – wie eine Wasserperle im Meer“, schrieb Mingda Li, Dozent für nukleare Forschung am MIT, per E-Mail.
Xu geht davon aus, dass sie eine halbe Million verschiedener Experimente durchführen müssten, bevor sie alle möglichen Möglichkeiten zur Herstellung ihres gewünschten digitalen Polymers ausschöpfen würden. Für ein selbstfahrendes Labor ist es schwierig, jeden einzelnen davon auszuprobieren, ganz zu schweigen von menschlichen Wissenschaftlern, die in zwei Jahren nur etwa 10 Partikel produzieren können, so Xu.
„Wir hatten höchstens mit einer Erfolgsquote von etwa 30 Prozent gerechnet“, sagte Gerd Ceder, Chefdetektiv von A-Lab.
Die Fähigkeit, Arbeiten ohne menschliches Zutun zu erledigen, macht ein selbstfahrendes Labor zu einem „geschlossenen“ System, was Polybot im vergangenen Juni geschafft hat.
Laut Xu tragen selbstfahrende Labore dazu bei, den Prozess der Herstellung neuer Produkte anhand von zwei Anweisungen zu beschleunigen. Zum einen durch den Einsatz von Robotik: Robotik kann die Synthese und Bewertung angenommener Produkte viel schneller durchführen als Menschen, da die Robotik ständig laufen kann. Die andere Methode besteht darin, die Geräteerkennung zu nutzen, um sich darauf zu konzentrieren, welche Kriterien angepasst werden müssen, um im nächsten Experiment wahrscheinlich ein besseres Ergebnis zu erzielen. Eine starke Priorisierung sei notwendig, sagte Xu, da die große Vielfalt an flexiblen spekulativen Kriterien – wie Temperaturniveau und auch Menge an Reagenzien – entmutigend sein könne.
Beispielsweise wurde das A-Lab des Lawrence Berkeley National Lab erst letzten Monat eröffnet und beabsichtigt, einzigartige Produkte zu entwickeln, die zur Herstellung besserer Solarbatterien, Brennstoffzellen und auch thermoelektrischer Innovationen beitragen könnten. (Das Labor gibt an, dass das „A“ in seinem Namen absichtlich unsicher ist, ansonsten Freiheit, KI, abstrahiert und auch beschleunigt bedeutet.)
Heutzutage gibt es weltweit nur eine Handvoll selbstfahrender Labore. Diese Zahl wird sicherlich schnell steigen. Jedes landesweite Labor in den Vereinigten Staaten baut derzeit eines für Anfänger.
Das A-Lab von LBNL fügt außerdem regelmäßig Informationen zur Produktaufgabe hinzu, die Informationen von Produktforschern aus der ganzen Welt sammelt. Milad Abolhasani, dessen Labor am North Carolina State College selbstfahrende Labore erforscht, behauptete, dass die Ausweitung des offenen Informationsaustauschs notwendig sei, damit selbstfahrende Labore gut funktionieren. Für eine ordnungsgemäße Weitergabe von Informationen ist eine Standardisierung der genauen Formatierung und Berichterstattung von Informationen aus Laboren erforderlich.