Piattaforma per progettare nuovi materiali con l’AI

I ricercatori del MIT hanno sviluppato la piattaforma CRESt, un sistema di intelligenza artificiale che apprende da molti tipi di informazioni scientifiche ed esegue esperimenti per scoprire nuovi materiali.

Gli ingegneri del MIT hanno ideato un sistema di AI che apprende da molti tipi di informazioni scientifiche ed esegue esperimenti per scoprire nuovi materiali. Questo sistema potrebbe aiutare a trovare soluzioni a problemi energetici reali che affliggono la comunità della scienza e dell’ingegneria dei materiali da decenni.

I modelli di apprendimento automatico possono accelerare la scoperta di nuovi materiali formulando previsioni e suggerendo esperimenti, ma la maggior parte dei modelli odierni considera solo pochi tipi specifici di dati o variabili. Il metodo degli scienziati del Massachusetts Institute of Technology mira a ottimizzare le ricette dei materiali e pianificare gli esperimenti che incorpora informazioni provenienti da diverse fonti, come approfondimenti dalla letteratura, composizioni chimiche, immagini microstrutturali e altro ancora. La nuova piattaforma, denominata Copilot for Real-world Experimental Scientists (CRESt), utilizza anche apparecchiature robotiche per test sui materiali ad alto rendimento, i cui risultati vengono reimmessi in grandi modelli multimodali per ottimizzare ulteriormente le ricette dei materiali.

I ricercatori umani possono dialogare con il sistema in linguaggio naturale, senza bisogno di scrivere codice, e il sistema formula osservazioni e ipotesi durante il processo. Telecamere e modelli di linguaggio visivo consentono inoltre al sistema di monitorare gli esperimenti, rilevare problemi e suggerire correzioni.

Il sistema è descritto in un articolo pubblicato su Nature. I ricercatori hanno utilizzato CRESt per valutare oltre 900 composti chimici e condurre 3.500 test elettrochimici, portando alla scoperta di un materiale catalizzatore che ha fornito una densità di potenza record in una cella a combustibile alimentata a sale di formiato per produrre elettricità.

“Nel campo dell’intelligenza artificiale per la scienza, la chiave è progettare nuovi esperimenti. Utilizziamo feedback multimodali – per esempio informazioni tratte dalla letteratura precedente sul comportamento del palladio nelle celle a combustibile a questa temperatura, e feedback umano – per integrare i dati sperimentali e progettare nuovi esperimenti. Utilizziamo anche robot per sintetizzare e caratterizzare la struttura del materiale e per testarne le prestazioni” commenta Ju Li, docente di Ingegneria.

Un sistema più intelligente

La maggior parte degli approcci di apprendimento attivo si basa anche su singoli flussi di dati che non catturano tutto ciò che accade in un esperimento. Per dotare i sistemi computazionali di una conoscenza più simile a quella umana, pur sfruttando la velocità e il controllo dei sistemi automatizzati, Li e i suoi collaboratori hanno costruito il CRESt. L’attrezzatura robotica del CRESt include un robot per la manipolazione dei liquidi, un sistema di shock carbotermico per la sintesi rapida dei materiali, una postazione di lavoro elettrochimica automatizzata per i test, apparecchiature di caratterizzazione che includono microscopia elettronica e microscopia ottica automatizzate e dispositivi ausiliari come pompe e valvole del gas, che possono anche essere controllati a distanza. Molti parametri di elaborazione possono anche essere regolati. Grazie all’interfaccia utente, i ricercatori possono chattare con il CRESt e dirle di utilizzare l’apprendimento attivo per trovare ricette di materiali promettenti per diverse applicazioni.

CRESt può includere fino a 20 molecole precursori e substrati nella sua ricetta. Per guidare la progettazione dei materiali, i modelli di CRESt ricercano negli articoli scientifici descrizioni di elementi o molecole precursori che potrebbero essere utili. Quando i ricercatori umani ordinano a CRESt di sviluppare nuove ricette, si innesca una sinfonia robotica di preparazione, caratterizzazione e test dei campioni. Il ricercatore può anche chiedere a CRESt di eseguire l’analisi delle immagini da microscopia elettronica a scansione, diffrazione dei raggi X e altre fonti. Le informazioni provenienti da questi processi vengono utilizzate per addestrare i modelli di apprendimento attivo, che utilizzano sia la conoscenza della letteratura scientifica sia i risultati sperimentali attuali per suggerire ulteriori esperimenti e accelerare la scoperta dei materiali.

“Per ogni ricetta utilizziamo testi bibliografici o database precedenti, e il sistema crea queste enormi rappresentazioni di ogni ricetta sulla base della precedente base di conoscenze prima ancora di eseguire l’esperimento. Eseguiamo l’analisi delle componenti principali in questo spazio di incorporamento della conoscenza per ottenere uno spazio di ricerca ridotto che catturi la maggior parte della variabilità delle prestazioni. Quindi utilizziamo l’ottimizzazione bayesiana, una tecnica statistica, in questo spazio ridotto per progettare il nuovo esperimento. Dopo il nuovo esperimento, inseriamo i dati sperimentali multimodali appena acquisiti e il feedback umano in un ampio modello linguistico per ampliare la base di conoscenza e ridefinire lo spazio di ricerca ridotto, il che ci dà un notevole impulso all’efficienza dell’apprendimento attivo” continua Li. Anche gli esperimenti di scienza dei materiali possono affrontare sfide di riproducibilità. Per affrontare il problema, CRESt monitora i suoi esperimenti con telecamere, cercando potenziali problemi e suggerendo soluzioni tramite testo e voce ai ricercatori umani.

Un assistente, non un sostituto

Per automatizzare parzialmente il processo, i ricercatori hanno abbinato modelli di visione artificiale e di linguaggio visivo con conoscenze di settore tratte dalla letteratura scientifica, che hanno permesso al sistema di ipotizzare fonti di irriproducibilità e proporre soluzioni. Per esempio, i modelli possono rilevare quando si verifica una deviazione millimetrica nella forma di un campione o quando una pipetta sposta qualcosa dalla sua posizione. I ricercatori hanno incorporato alcuni dei suggerimenti del modello, portando a una maggiore coerenza, suggerendo che i modelli sono già ottimi assistenti sperimentali.

I ricercatori hanno notato che gli esseri umani eseguivano ancora la maggior parte del debug nei loro esperimenti: “CREST è un assistente, non un sostituto, per i ricercatori umani. ricercatori umani sono ancora indispensabili. Infatti, utilizziamo il linguaggio naturale in modo che il sistema possa spiegare cosa sta facendo e presentare osservazioni e ipotesi. Ma questo è un passo verso laboratori più flessibili e autonomi” conclude Li.

MIT News; figures courtesy of the researchers; iStock