Pronalaženje igle u plastu sena je suštinski nemoguć zadatak. Ali šta ako bi novi alati to mogli učiniti lako ostvarivim? Zamislite da, umesto da sve pretražujete ručno, možete da podelite male gomile sena i koristite magnete.
Veštačka inteligencija (AI) može da deluje kao magnet za naučna rešenja, izvlačeći važne informacije iz brda mogućnosti.
Ali AI može samo toliko. Ako je poslovični plast sena prevelik, čak i najmoćniji sistem može biti stavljen u zastoj. Efikasno korišćenje veštačke inteligencije zahteva inteligentno uključivanje ekspertize iz oblasti nauke u proces. Tim naučnika spojio je veštačku inteligenciju, eksperimentisanje velike propusnosti i znanje o materijalima kako bi ubrzao proces otkrivanja.
Kombinacija je uspela. Tim, predvođen istraživačima iz Pacifičke severozapadne nacionalne laboratorije (PNNL) i Nacionalne laboratorije Argonne, identifikovao je kombinacije rastvarača koji mogu da rastvore tri puta više jedinjenja predloženog kao deo energetski efikasne baterije redoks protoka.
Uspeli su brzo suzivši pretragu na manje od 10% mogućih kombinacija. Nalazi su objavljeni u Nature Communications.
Tim je uključivao stručnjake iz komplementarnih pozadina, a svi su bili fokusirani na stvaranje platforme koja može inteligentno da izvodi eksperimente visoke propusnosti. Oni su istraživali niz mešavina organskih rastvarača kako bi dizajnirali optimalni sistem elektrolita za protočne baterije na bazi redoksmera.
„Ljudi često gledaju na automatizovani sistem kao na način da se ubrza otkriće dramatično povećavajući broj eksperimenata koji se mogu izvesti“, rekao je Vijai Murugesan, naučnik o materijalima PNNL-a i ko-korespondent u radu. „Želeli smo da ubrzamo otkriće sa povećanom efikasnošću koristeći AI za nauku.
Dok platforma posebno cilja na mešavine elektrolita za skladištenje energije, opšti proces se može primeniti na druge sisteme. Ovo bi moglo biti najkorisnije za probleme sa širokim spektrom potencijalnih rešenja unutar ograničenog sistema, rekli su istraživači.
Umesto da samostalno izvodi eksperimente, tim za eksperimentisanje sa velikom propusnošću je prikupio podatke kako bi popunio praznine za algoritam AI tima. Često tip podataka koji je modelu veštačke inteligencije potreban nije dostupan za laboratorijske sisteme. Algoritam se tada mora obučiti na računskim rezultatima, što može dovesti do dodatnih pristrasnosti.
Sa eksperimentalne strane, određivanje optimizovanih smeša rastvarača je ogroman problem. „Identifikovali smo 2.000 mogućih kombinacija“, rekao je Jangang Liang, ko-korespondentni autor i stručnjak za eksperimentisanje velike propusnosti u PNNL-u.
„To je nepraktičan broj kombinacija za testiranje čak i sa našim robotskim sistemom. Iako robot može brže da eksperimentiše, i dalje su mu potrebne hemikalije i energija.“
Identifikovanje najperspektivnijih opcija bez AI bi i dalje zahtevalo stotine eksperimenata. Da bi suzili svoju pretragu, tim je ciljao svoje početno prikupljanje podataka na osnovu poznatih praznina u setovima za obuku za AI model.
Unošenje eksperimentalnih podataka visoke vernosti u model dovelo je do bolje obučenog sistema, koji je zauzvrat dao bolja predviđanja za sledeću rundu eksperimenata.
„Naš pristup je neverovatno efikasan“, rekao je Murugesan. „Koristimo brzinu visoke propusnosti i ljudske intuicije da bismo bolje obučili AI.
Proizvod ove saradnje je dvostruk: prvo je identifikacija smeše rastvarača, naučni cilj rada. Drugi je kreiranje skupa podataka visoke vernosti od eksperimentalnih podataka. Tim se nada da će drugi moći da iskoriste podatke za budući rad osim istraživanja mešavina rastvarača za baterije sa organskim redoks protokom.
„Bili smo namerno u našem pristupu stvaranju podataka visoke vernosti koji mogu pomoći u izgradnji boljih modela predviđanja“, rekao je Murugesan. „Naš proces je zasnovan na širokoj stručnosti našeg tima, što je omogućilo ulaganje Ministarstva energetike u rad centara. Centri su specijalizovani za ove vrste ambicioznih ideja koje zahtevaju spajanje više disciplina.“
Projekat je podržan kroz istraživanje skladištenja energije koje je okupilo šest nacionalnih laboratorija i 10 univerziteta od 2018. do 2023. godine.
„Ovaj rad je zaista inspirisan pokojnim Džordžom Krebtrijem, osnivačem JCESR-a“, rekao je Murugesan. „Otišli smo kod njega sa idejom da koristimo PNNL-ovu sposobnost visoke propusnosti za otkrivanje elektrolita, ali nas je izazvao da razmišljamo šire i sarađujemo sa timom AI.
„Kroz njegovu inspiraciju, naučili smo da zajedno možemo brže proizvesti efektne rezultate integracijom AI modela i robotskih platformi.
Podaci zasnovani na materijalima koje proizvodi tim su tipovi neophodni za stvaranje efikasnih sistema veštačke inteligencije koji će pokretati eksperimentalne petlje u autonomnim laboratorijskim prostorima. „Smatram ove vrste tokova posla kao centralne za novu paradigmu u otkrivanju materijala“, rekao je Hieu Doan, ko-korespondent koji je vodio rad AI.
„Uzbuđen sam što vidim budućnost saradnje između istraživača veštačke inteligencije i naučnika o materijalima“, dodao je Karl Mueller, koautor rada i direktor Kancelarije za razvoj programa za Direkciju za fizičke i računarske nauke. „Ubrzavanje otkrivanja materijala je ključno za rešavanje problema skladištenja energije.
Pored Lianga, Murugesana i Muellera, Juran Noh i Heather Job dali su doprinos projektu iz PNNL-a. Tim Argone uključivao je Doan, Lili Robertson, Lu Zhang i Rajeev Assari. Mnogi od saradnika na ovom poslu su deo novopokrenutog Energi Innovation Hub saveza za istraživanje skladištenja energije.
