CASH: استفاده از اتوماسیون برای ایجاد انقلابی در تحقیقات مواد

CASH که ترکیبی از یادگیری ماشین ، رباتیک و داده های بزرگ است ، توانایی فوق العاده در علم مواد را نشان می دهد. فقط از طریق همكاری با چنین فناوری هایی است كه محققان آینده می توانند در زمینه تحقیقات خلاقانه تر ، منجر به تسریع در تحقیقات علوم مواد شوند. اعتبار: Tokyo Tech
در قلب بسیاری از پیشرفت های علمی گذشته کشف مواد بدیع نهفته است. با این حال ، چرخه سنتز ، آزمایش و بهینه سازی مواد جدید به طور عادی ساعت ها کار سختی را برای دانشمندان می گیرد. به همین دلیل ، بسیاری از مواد بالقوه مفید با خواص عجیب و غریب کشف نشده باقی مانده اند. اما اگر بتوانیم کل فرآیند تولید مواد جدید را با استفاده از رباتیک و هوش مصنوعی به طور خودکار انجام دهیم ، سرعت آن را بسیار سریع تر کنیم؟
در مطالعه اخیر منتشر شده در APL Material ، دانشمندان از موسسه فناوری توکیو (توکیو تک) ، ژاپن ، به رهبری دانشیار ریوتا شیمیزو و پروفسور تارو هیتوسوگی ، استراتژی را طراحی کردند که می تواند به طور کامل مواد خودمختار در مورد یک واقعیت تحقیق می کنند. کار آنها حول ایده انقلابی تجهیزات آزمایشگاهی “CASH” (متصل ، خودمختار ، مشترک ، با توان بالا) است. با نصب CASH در یک آزمایشگاه مواد ، محققان فقط باید تصمیم بگیرند که کدام ویژگی مواد را برای بهینه سازی و تغذیه مواد لازم برای سیستم می خواهند. سپس سیستم اتوماتیک کنترل را در دست می گیرد و به طور مکرر ترکیبات جدید را آماده و آزمایش می کند تا زمانی که بهترین ترکیب پیدا شود. با استفاده از الگوریتم های یادگیری ماشین ، سیستم می تواند با استفاده از دانش قبلی تصمیم بگیرد که چگونه شرایط سنتز باید تغییر کند تا به نتیجه مطلوب در هر چرخه برسد.
برای اثبات اینکه CASH یک استراتژی عملی در تحقیقات مواد جامد است ، دانشیار Shimizu و تیم آن یک سیستم اثبات مفهوم را ایجاد کردند که شامل یک بازوی رباتیک است که توسط چندین ماژول احاطه شده است. راه اندازی آنها با به حداقل رساندن مقاومت الکتریکی یک فیلم نازک دی اکسید تیتانیوم با تنظیم شرایط رسوب انجام شده است. بنابراین ، ماژول ها یک دستگاه رسوب دهی پاششی و وسیله ای برای اندازه گیری مقاومت هستند. بازوی رباتیک در صورت لزوم نمونه ها را از ماژول به ماژول منتقل می کند و سیستم براساس داده های قبلی به طور مستقل پارامترهای سنتز را برای تکرار بعدی پیش بینی می کند. برای پیش بینی ، آنها از الگوریتم بهینه سازی بیزی استفاده کردند.
به طرز حیرت انگیزی ، تنظیمات CASH آنها موفق به تولید و آزمایش حدود دوازده نمونه در روز شد ، ده برابر افزایش در توان تولید در مقایسه با آنچه دانشمندان می توانند به طور دستی در یک آزمایشگاه معمولی به دست آورند. علاوه بر این افزایش چشمگیر سرعت ، یکی از اصلی ترین مزایای استراتژی CASH امکان ایجاد پایگاه های داده عظیم مشترک است که توصیف می کند خصوصیات مواد با توجه به شرایط سنتز متفاوت است. در همین رابطه ، پروفسور هیتوسوگی اظهار داشت: امروز پایگاه داده های مواد و خصوصیات آنها ناقص باقی مانده است. با رویکرد CASH ، ما می توانیم به راحتی آنها را کامل کنیم و سپس ویژگی های مواد پنهان را کشف کنیم ، که منجر به کشف قوانین جدید فیزیک و نتیجه گیری از طریق تجزیه و تحلیل آماری می شود. ”
تیم تحقیق معتقد است که رویکرد CASH انقلابی در علم مواد ایجاد خواهد کرد. پایگاه داده های تولید شده به سرعت و بدون زحمت توسط سیستم های CASH در داده های بزرگ ترکیب می شوند و دانشمندان از الگوریتم های پیشرفته برای پردازش آنها و استخراج عبارات قابل فهم از انسان استفاده می کنند. با این حال ، همانطور که پروفسور هیتوسوگی اشاره می کند ، یادگیری ماشین و رباتیک به تنهایی نمی توانند بینش پیدا کنند و نه مفاهیم را در فیزیک و شیمی کشف کنند. “آموزش دانشمندان مواد آینده باید پیشرفت کند. آنها باید درک کنند که یادگیری ماشین چه چیزی را می تواند حل کند و بر این اساس مسئله را تنظیم کند. قدرت محققان انسانی در ایجاد مفاهیم یا شناسایی مشکلات در جامعه است. ترکیب این نقاط قوت با یادگیری ماشین و رباتیک بسیار مهم است. ”
به طور کلی ، این مقاله چشم انداز مزایای فوق العاده ای را که اتوماسیون می تواند برای علوم مواد به همراه داشته باشد برجسته می کند. اگر سنگینی کارهای تکراری از دوش محققان برداشته شود ، آنها می توانند بیشتر به کشف اسرار جهان مادی به نفع بشریت توجه کنند.
مرجع: 18 نوامبر 2020 ، مواد APL .
DOI: 10.1063 / 5.0020370