هناك حاجة ماسة إلى مواد جديدة لصنع مكونات أفضل تستخدم للطاقة المستدامة. تحتاج تقنيات مثل الاندماج النووي والحوسبة الكمومية إلى مواد يمكنها تحمل مستويات عالية من الإشعاع أو دعم الحوسبة الكمومية مع كونها آمنة وفعالة من حيث التكلفة ومستدامة. لكن هذه المواد غير موجودة حتى الآن ، واكتشافها مهمة شاقة تنطوي على توليف واختبار أعداد كبيرة من المواد المفترضة.
كتب مينجدا لي أستاذ العلوم النووية في معهد ماساتشوستس للتكنولوجيا عبر البريد الإلكتروني: “المواد المكتشفة هي جزء صغير جدًا من المواد المفترضة – مثل قطرة ماء في محيط”.
إن القدرة على تنفيذ مهامها دون تدخل بشري تجعل من المختبر ذاتي القيادة نظامًا “مغلق الحلقة” ، وهو ما حققته شركة Polybot في يونيو الماضي.
إحدى الأدوات التي يستخدمها الباحثون بشكل متزايد للمساعدة في عملية الاكتشاف هذه هي المختبرات ذاتية القيادة – وهي أنظمة معملية تجمع بين الروبوتات المتقدمة وبرامج التعلم الآلي لإجراء التجارب بشكل مستقل.
على سبيل المثال ، تم افتتاح مختبر A-Lab التابع لمختبر لورانس بيركلي الشهر الماضي ، ويهدف إلى التنقيب عن مواد جديدة يمكن أن تساعد في صنع خلايا شمسية وخلايا وقود وتقنيات كهروحرارية أفضل. (يقول المختبر أن الحرف “A” في اسمه غامض بشكل متعمد ، ويقف بشكل مختلف على الاستقلالية ، والذكاء الاصطناعي ، والملخص ، والتسريع.)
مختبر آخر ذاتي القيادة تم سكه مؤخرًا – يُدعى Polybot في مختبر Argonne الوطني في Lemont ، إلينوي – يعمل لفترة أطول قليلاً من A-Lab ، ونتيجة لذلك ، صعد سلم استقلالية المختبر نحو علوم المواد الخاصة به أسئلة. يتكون Polybot من معدات التحليل الكيميائي وأجهزة الكمبيوتر التي تشغل برامج التعلم الآلي وثلاثة روبوتات. هناك روبوت اصطناعي يدير التفاعلات الكيميائية ، وروبوت معالجة يقوم بتكرير نواتج التفاعلات ، وروبوت على عجلات بذراع آلية ينقل العينات بين المحطات. تتم برمجة الروبوتات باستخدام نصوص Python النصية وتؤدي جميع المهام اليدوية في التجربة ، مثل تحميل العينات وجمع البيانات.
ثم يتم إرسال البيانات التي تم جمعها من التجارب إلى برنامج التعلم الآلي لتحليلها. يحلل البرنامج النتائج ويقترح تغييرات لمجموعة التجارب التالية ، مثل ضبط درجة الحرارة ، أو كمية التفاعلات ، أو طول التفاعلات. القدرة على تنفيذ كل هذا دون تدخل بشري تجعل من المختبر الذاتي القيادة نظام “حلقة مغلقة” ، وهو ما حققته شركة Polybot في يونيو الماضي.
قالت عالمة Argonne Jie Xu ، التي بدأت التخطيط لـ Polybot في عام 2019 ، إنها تريد أن يعمل مختبر القيادة الذاتية كمورد “قابل للتطبيق عالميًا وقابل لإعادة التكوين” ، حتى يتمكن الباحثون من جميع النطاقات من الاستفادة منه. استخدم شو وزملاؤه علماء أرجون Polybot للبحث عن البوليمرات الإلكترونية ، وهي مواد بلاستيكية يمكنها توصيل الكهرباء. يكمن الأمل في إنشاء بوليمرات يمكنها صنع إصدارات أفضل وأكثر استدامة من التقنيات التي نستخدمها اليوم ، مثل الخلايا الشمسية وأجهزة الاستشعار الحيوية.
يقدر شو أنه سيتعين عليهم تجربة نصف مليون تجربة مختلفة قبل أن يستنفدوا جميع الطرق الممكنة لتركيب البوليمر الإلكتروني المستهدف. قال شو إنه من المستحيل على مختبر ذاتي القيادة أن يجربها جميعًا ، ناهيك عن الباحثين من البشر الذين يمكنهم فقط توليد حوالي عشرة جزيئات في غضون عامين.
قالت إن المعامل ذاتية القيادة تساعد في تسريع عملية تصنيع مواد جديدة من اتجاهين. أحدهما هو استخدام الروبوتات لإجراء توليف وتحليل المواد المفترضة بشكل أسرع من البشر ، لأن الروبوتات يمكن أن تعمل بشكل مستمر. الطريقة الأخرى هي استخدام التعلم الآلي لتحديد أولويات المعلمات التي يجب ضبطها والتي من المرجح أن تؤدي إلى نتيجة أفضل أثناء التجربة التالية. قال شو إن الترتيب الجيد للأولويات أمر مهم ، لأن العدد الهائل من المعلمات التجريبية القابلة للتعديل – مثل درجة الحرارة وكمية الكواشف – يمكن أن يكون أمرًا شاقًا.
لا يوجد اليوم سوى عدد قليل من المعامل ذاتية القيادة حول العالم. ومع ذلك ، فإن هذا الرقم سوف يتزايد قريبًا. كل مختبر وطني أمريكي ، بالنسبة للمبتدئين ، يقوم الآن ببناء واحد.
تقدم المعامل ذاتية القيادة أيضًا ميزة توليد كميات كبيرة من البيانات التجريبية. هذه البيانات ذات قيمة لأن خوارزميات التعلم الآلي تحتاج إلى التدريب على الكثير من البيانات لتحقيق نتائج مفيدة. معمل واحد غير قادر على توليد هذه الكمية من البيانات بمفرده ، لذلك بدأت بعض المعامل في تجميع بياناتها مع بيانات باحثين آخرين.
يساهم مختبر A-Lab التابع لـ LBL أيضًا بانتظام في مشروع المواد ، الذي يجمع البيانات من باحثي علوم المواد حول العالم. قال ميلاد أبو الحساني ، الذي يدرس مختبره في جامعة ولاية كارولينا الشمالية في مختبرات القيادة الذاتية ، إن توسيع مشاركة البيانات المفتوحة أمر مهم لنجاح المختبرات ذاتية القيادة. لكن مشاركة البيانات بشكل فعال ستتطلب توحيد كيفية تنسيق البيانات من المختبرات والإبلاغ عنها.
يقدر أبو الحساني أنه لا يوجد سوى عدد قليل من المعامل الحقيقية ذاتية القيادة في جميع أنحاء العالم – مختبرات قادرة على العمل بشكل مستمر دون تدخل بشري ودون أعطال متكررة. وقال إن هذا الرقم قد يرتفع قريبًا ، لأن كل مختبر وطني في الولايات المتحدة يبني واحدًا.
ولكن لا تزال هناك حواجز كبيرة أمام الدخول. تعتبر البيئات المختبرية والروبوتات المتخصصة باهظة الثمن ، ويستغرق الأمر سنوات لبناء البنية التحتية المطلوبة ودمج الأنظمة الروبوتية مع معدات المختبرات الحالية. في كل مرة يتم فيها تشغيل تجربة جديدة ، قد يجد الباحثون أنه يتعين عليهم إجراء المزيد من التخصيصات على النظام.
قال هنري تشان ، زميل Xu في Argonne ، إنهم أرادوا في النهاية أن تتجاوز قدرات التعلم الآلي في Polybot مجرد تحسين التجارب. إنه يريد استخدام نظام “الاكتشاف” – إنشاء مواد جديدة تمامًا ، مثل البوليمرات ذات الهياكل الجزيئية الجديدة.
يعد الاكتشاف أكثر صعوبة ، لأنه يتطلب خوارزميات التعلم الآلي لاتخاذ قرارات حول مكان المتابعة من عدد غير محدود تقريبًا من نقاط البداية.
قال تشان: “من أجل التحسين ، لا يزال بإمكانك تحديد المساحة ، ولكن بالنسبة للاكتشاف ، فإن المساحة لا نهائية”. لأنه يمكن أن يكون لديك هياكل مختلفة ، تركيبات مختلفة ، طرق مختلفة للمعالجة.
لكن النتائج في A-Lab تشير إلى أنه قد يكون ممكنًا. عندما تم افتتاح المختبر في وقت سابق من هذا العام ، حاول الباحثون تصنيع مواد جديدة تمامًا عن طريق تشغيل خوارزميات التعلم الآلي الخاصة بهم على بيانات من قاعدة بيانات مشروع المواد. كان أداء مختبر القيادة الذاتية أفضل من المتوقع ، حيث حقق نتائج واعدة بنسبة 70 في المائة من الوقت.
كتب الباحث الرئيسي في A-Lab غيرد سيدر: “كنا نتوقع في أحسن الأحوال نسبة نجاح تصل إلى 30 بالمائة”.
من مقالات موقعك
مقالات ذات صلة حول الويب
