Ein Team von Forschern der chemischen Verfahrenstechnik 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.
„Fortschritte bei der Entdeckung von Materialien und Molekülen sind langsam, weil herkömmliche Techniken zur Entdeckung neuer chemischer Prozesse darauf beruhen, jeweils einen Parameter zu variieren, indem isolierte Operationen in Chemie- und Materialwissenschaftslabors verwendet werden“, sagt Milad Abolhasani, korrespondierender Autor eines Artikels über die Arbeit und a Professor für Chemie- und Biomolekulartechnik an der North Carolina State University.
„Wenn eine komplexe Chemie Dutzende von Parametern umfasst, kann es Jahrzehnte dauern, ein neues Zielmaterial oder einen effizienteren Weg zur Herstellung einer gewünschten Chemikalie zu entwickeln.“
„Unser System mit dem Namen AlphaFlow nutzt eine Technik der künstlichen Intelligenz namens Reinforcement Learning, die – wenn sie mit automatisierten mikrofluidischen Geräten gekoppelt ist – den Materialentdeckungsprozess beschleunigt. Wir haben gezeigt, dass AlphaFlow mehr Experimente durchführen kann als 100 menschliche Chemiker im gleichen Zeitraum Zeit, während weniger als 0,01 % der relevanten Chemikalien verwendet werden.“
„Es miniaturisiert die Experimente effektiv und führt die gleichen Laboroperationen durch, die ein ganzes Nasschemielabor in einer koffergroßen End-to-End-Experimentierplattform erfordern würden. Es ist äußerst effizient.“
Das KI-Modell von AlphaFlow trifft Entscheidungen darüber, welches Experiment als nächstes durchgeführt werden soll, basierend auf zwei Dingen: den Daten, die es aus bereits durchgeführten Experimenten entwickelt hat, und den Prognosen für die Ergebnisse der nächsten Experimente.
„Wir nutzen dieses sich bewegende Fenster früherer Aktionsschritte und vorhergesagter Ergebnisse zukünftiger Aktionssequenzen, um die Entscheidungsfindung von AlphaFlow zu informieren. Dadurch kann AlphaFlow Aktionen mit verzögerten Auswirkungen berücksichtigen und auch seine Entscheidungsfindung auf der Grundlage der neuesten experimentellen Ergebnisse in Echtzeit ausrichten “, sagt Amanda Volk, Erstautorin des Artikels und Ph.D. Student an der NC State. „Grundsätzlich ist das System in der Lage, aus unerwarteten Ergebnissen sofort zu lernen und sich an diese anzupassen.“
Dies gilt unabhängig davon, ob sich das System darauf konzentriert, eine neue Chemikalie zu entdecken oder den Herstellungsprozess für eine bekannte Chemikalie zu optimieren. Der Unterschied besteht darin, dass das System für die Entdeckung versucht zu bestimmen, welche Vorläufer hinzugefügt werden müssen, sowie die beste Reihenfolge, in der sie hinzugefügt werden müssen, um eine Chemie mit der besten Leistung zu finden.
Für die Optimierung hingegen weiß das KI-Modell bereits, welche Vorstufen in welcher Reihenfolge hinzugefügt werden müssen. Infolgedessen konzentriert sich AlphaFlow bei der Optimierung darauf, zu bestimmen, welche Menge jedes Vorläufers benötigt wird und wie viel Zeit für jede Reaktion benötigt wird, um die optimale Leistung am effizientesten zu erreichen.
„Diese Integration von KI und Chemie reduziert den Zeitaufwand für die Entwicklung neuer Chemien um mindestens eine Größenordnung“, sagt Abolhasani. „Denken Sie in Stunden statt in Monaten oder Jahren.“
„AlphaFlow bietet auch neue Einblicke in die Grundlagenchemie“, sagt Volk. „Beispielsweise entwickelte AlphaFlow in einer Proof-of-Concept-Demonstration ein neues Mittel zur Herstellung eines Halbleiter-Nanokristalls mit einem Cadmiumselenid-Kern und einer Cadmiumsulfid-Hülle. Diese Nanokristalle werden in photonischen und optischen Technologien verwendet. Die von AlphaFlow entdeckte neue Chemie hat weniger Schritte als die zuvor vom Menschen entdeckte Chemie, wodurch der Prozess effizienter wird.“
„Darüber hinaus wurde früher angenommen, dass einer der Schritte, die AlphaFlow eliminiert, ein Schlüsselschritt in dieser Art von mehrstufiger Chemie ist, was überraschend war. Die Tatsache, dass wir denselben hochwertigen Nanokristall ohne diesen Schritt herstellen können, erweitert unsere Möglichkeiten Verständnis der beteiligten Chemie.“
„Im Grunde hat AlphaFlow gezeigt, dass sich ein Schritt, den menschliche Forscher für kritisch hielten, als unnötig herausstellte“, sagt Abolhasani. „Und es hat diese effizientere Chemie entwickelt, die das, was wir über die mehrstufige Chemie von Kern/Schale-Halbleiter-Nanokristallen zu wissen glaubten, in nur 30 Tagen Dauerbetrieb im Vergleich zu 15 Jahren wissenschaftlicher Literatur verändert hat.“
Gegenwärtig ist AlphaFlow eingerichtet, um Experimente zur kolloidalen Atomlagenabscheidung durchzuführen. Diese Art der mehrstufigen Chemie ist aus experimenteller Sicht besonders herausfordernd, da sie viele verschiedene Parameter umfasst – es können mehr als 40 Variablen berücksichtigt werden.
„AlphaFlow könnte jedoch so modifiziert werden, dass es eine Reihe von Experimenten durchführt, bei denen chemische Reaktionen in Lösung durchgeführt werden“, sagt Abolhasani.
„AlphaFlow ist das erste uns bekannte Beispiel, das Reinforcement Learning mit einem selbstfahrenden Labor integriert“, sagt Volk. „Und es zeigt, inwieweit KI und Naturwissenschaften voneinander profitieren können.“
Die Forscher suchen nun nach Partnern sowohl in der Forschungsgemeinschaft als auch im Privatsektor, um damit zu beginnen, AlphaFlow zur Bewältigung chemischer Herausforderungen einzusetzen.
„Idealerweise möchten wir einen Punkt erreichen, an dem mehrere AlphaFlow-Plattformen verwendet werden, um verschiedene große Herausforderungen im Zusammenhang mit Energiewende und Nachhaltigkeit anzugehen, aber Daten austauschen, die es jedem ermöglichen, neue Materialien und Moleküle schneller zu entdecken und zu entwickeln. “, sagt Abolhasani.
„AlphaFlow ist Open Source. Wir denken, dass es wichtig ist, qualitativ hochwertige, reproduzierbare, standardisierte, experimentelle Daten zu teilen – sowohl von Misserfolgen als auch von Erfolgen. Wir denken, dass dies wichtig ist, weil wir die Entdeckung neuer Materialien und chemischer Prozesse beschleunigen wollen.“
Das Papier erscheint in Naturkommunikation.
Mehr Informationen:
„AlphaFlow: Autonome Entdeckung und Optimierung der mehrstufigen Chemie mit einem selbstgesteuerten Fluidiklabor, das durch Reinforcement Learning geleitet wird“ Naturkommunikation, DOI: 10.1038/s41467-023-37139-y. www.nature.com/articles/s41467-023-37139-y