Autonomes Labor beschleunigt chemische Entdeckungen

Ein komplettes nasschemisches Labor im Kofferformat: Künstliche Intelligenz findet neue Materialien in Rekordzeit

20.03.2023 - USA

Ein Team von Chemieingenieuren hat ein selbstgesteuertes Labor entwickelt, das in der Lage ist, neue komplexe mehrstufige Reaktionswege für die Synthese fortschrittlicher funktioneller Materialien und Moleküle zu identifizieren und zu optimieren. In einer Proof-of-Concept-Demonstration fand das System einen effizienteren Weg zur Herstellung hochwertiger Halbleiter-Nanokristalle, die in optischen und photonischen Geräten verwendet werden.

"Der Fortschritt bei der Entdeckung von Materialien und Molekülen ist langsam, da herkömmliche Verfahren zur Entdeckung neuer chemischer Stoffe darauf beruhen, einen Parameter nach dem anderen zu variieren, wobei in den Chemie- und Materialforschungslabors isoliert gearbeitet wird", sagt Milad Abolhasani, korrespondierender Autor eines Artikels über die Arbeit und Professor für Chemie- und Biomolekulartechnik an der North Carolina State University. "Wenn eine komplexe Chemie Dutzende von Parametern umfasst, kann es Jahrzehnte dauern, bis ein neues Zielmaterial oder eine effizientere Methode zur Herstellung einer gewünschten Chemikalie entwickelt ist.

"Unser System namens AlphaFlow nutzt eine Technik der künstlichen Intelligenz, das so genannte Reinforcement Learning, das in Verbindung mit automatisierten mikrofluidischen Geräten den Prozess der Materialentdeckung beschleunigt. Wir haben gezeigt, dass AlphaFlow in der gleichen Zeit mehr Experimente durchführen kann als 100 menschliche Chemiker und dabei weniger als 0,01 % der relevanten Chemikalien verbraucht. Die Experimente werden effektiv miniaturisiert und die gleichen Laboroperationen, für die ein ganzes nasschemisches Labor erforderlich wäre, werden in einer koffergroßen End-to-End-Experimentierplattform durchgeführt. Das ist extrem effizient."

Erweiterte Möglichkeiten der Labordigitalisierung und -vernetzung

LABFORWARD fusioniert mit LABTWIN

News lesen

Das KI-Modell von AlphaFlow trifft die Entscheidung, welches Experiment als nächstes durchgeführt werden soll, auf der Grundlage von zwei Dingen: den Daten, die es aus bereits durchgeführten Experimenten gewonnen hat, und den Ergebnissen, die es für die nächsten Experimente vorhersagt.

"Wir verwenden dieses sich bewegende Fenster aus früheren Handlungsschritten und den vorhergesagten Ergebnissen zukünftiger Handlungssequenzen, um AlphaFlow bei der Entscheidungsfindung zu unterstützen. Auf dieser Grundlage kann AlphaFlow Aktionen mit verzögerten Effekten berücksichtigen und seine Entscheidungsfindung auf der Grundlage der jüngsten experimentellen Ergebnisse in Echtzeit anpassen", sagt Amanda Volk, Erstautorin der Studie und Doktorandin an der NC State University. "Im Grunde ist das System in der Lage, sofort aus unerwarteten Ergebnissen zu lernen und sich darauf einzustellen."

Dies gilt unabhängig davon, ob das System auf die Entdeckung einer neuen Chemikalie oder die Optimierung des Herstellungsprozesses für eine bekannte Chemikalie ausgerichtet ist. Der Unterschied besteht darin, dass das System bei der Entdeckung versucht zu bestimmen, welche Vorläuferstoffe hinzugefügt werden müssen und in welcher Reihenfolge dies am besten geschieht, um eine Chemikalie mit der besten Leistung zu finden. Bei der Optimierung hingegen weiß das KI-Modell bereits, welche Vorstufen in welcher Reihenfolge hinzugefügt werden müssen. Daher konzentriert sich AlphaFlow bei der Optimierung darauf, zu bestimmen, welche Menge jedes Ausgangsstoffs benötigt wird und wie viel Zeit für jede Reaktion benötigt wird, um die optimale Leistung möglichst effizient zu erreichen.

"Diese Integration von KI und Chemie reduziert die Zeit, die für die Entwicklung neuer chemischer Verfahren benötigt wird, um mindestens eine Größenordnung", sagt Abolhasani. "Man kann sich das in der Größenordnung von Stunden vorstellen, anstatt von Monaten oder Jahren."

"AlphaFlow bietet auch neue Einblicke in die grundlegende Chemie", sagt Volk. "In einer Proof-of-Concept-Demonstration hat AlphaFlow zum Beispiel ein neues Verfahren zur Herstellung eines Halbleiter-Nanokristalls mit einem Kern aus Cadmiumselenid und einer Hülle aus Cadmiumsulfid entwickelt. Diese Nanokristalle werden in photonischen und optischen Technologien verwendet. Die von AlphaFlow entdeckte neue Chemie umfasst weniger Schritte als die zuvor von Menschen entdeckte Chemie, was den Prozess effizienter macht. Darüber hinaus war einer der Schritte, die AlphaFlow eliminierte, zuvor als Schlüsselschritt in dieser Art von mehrstufiger Chemie angesehen worden, was eine Überraschung war. Die Tatsache, dass wir denselben hochwertigen Nanokristall ohne diesen Schritt herstellen können, erweitert unser Verständnis der beteiligten Chemie."

"Im Grunde hat AlphaFlow gezeigt, dass ein Schritt, den menschliche Forscher für kritisch hielten, sich als unnötig erwiesen hat", sagt Abolhasani. "Und es hat diese effizientere Chemie entwickelt, die alles, was wir über die mehrstufige Chemie von Kern/Schale-Halbleiternanokristallen zu wissen glaubten, in nur 30 Tagen Dauerbetrieb im Vergleich zu 15 Jahren akademischer Literatur verändert hat."

Derzeit ist AlphaFlow für die Durchführung von Experimenten im Zusammenhang mit der kolloidalen Abscheidung von Atomschichten eingerichtet. Diese Art der mehrstufigen Chemie ist aus experimenteller Sicht besonders anspruchsvoll, da sie viele verschiedene Parameter einbezieht - es können mehr als 40 Variablen sein, die berücksichtigt werden müssen.

"AlphaFlow könnte jedoch so modifiziert werden, dass jede Art von Experimenten durchgeführt werden kann, bei denen chemische Reaktionen in Lösung ablaufen", sagt Abolhasani.

"AlphaFlow ist das erste Beispiel, das wir kennen, das Verstärkungslernen mit einem selbstfahrenden Labor verbindet", sagt Volk. "Und es zeigt, wie sehr KI und Naturwissenschaften voneinander profitieren können."

Die Forscher sind nun auf der Suche nach Partnern sowohl in der Forschungsgemeinschaft als auch im privaten Sektor, um AlphaFlow zur Lösung von Herausforderungen in der Chemie einzusetzen.

"Idealerweise möchten wir einen Punkt erreichen, an dem mehrere AlphaFlow-Plattformen genutzt werden, um verschiedene groß angelegte Herausforderungen im Zusammenhang mit der Energiewende und der Nachhaltigkeit zu bewältigen, aber Daten austauschen, die es allen ermöglichen, neue Materialien und Moleküle schneller zu entdecken und zu entwickeln", sagt Abolhasani. "AlphaFlow ist Open Source. Wir sind der Meinung, dass es wichtig ist, qualitativ hochwertige, reproduzierbare, standardisierte, experimentelle Daten zu teilen - sowohl von Fehlschlägen als auch von Erfolgen. Wir glauben, dass dies wichtig ist, weil wir die Entdeckung neuer Materialien und chemischer Prozesse beschleunigen wollen."

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Volk, A.A., Epps, R.W., Yonemoto, D.T. et al. AlphaFlow: autonomous discovery and optimization of multi-step chemistry using a self-driven fluidic lab guided by reinforcement learning. Nat Commun 14, 1403 (2023)

https://www.chemie.de/news/1179877/autonomes-labor-beschleunigt-chemische-entdeckungen.html