Une équipe de chercheurs en génie chimique a développé un laboratoire autonome capable d’identifier et d’optimiser de nouvelles voies de réaction complexes à plusieurs étapes pour la synthèse de matériaux et de molécules fonctionnels avancés. Dans une démonstration de preuve de concept, le système a trouvé un moyen plus efficace de produire des nanocristaux semi-conducteurs de haute qualité qui sont utilisés dans les dispositifs optiques et photoniques.
« Les progrès dans les matériaux et la découverte moléculaire sont lents, car les techniques conventionnelles de découverte de nouvelles chimies reposent sur la variation d’un paramètre à la fois en utilisant des opérations cloisonnées dans les laboratoires de chimie et de science des matériaux », explique Milad Abolhasani, auteur correspondant d’un article sur le travail et d’un professeur de génie chimique et biomoléculaire à la North Carolina State University.
« Si une chimie complexe comprend des dizaines de paramètres, il faudra peut-être des décennies pour développer un nouveau matériau cible ou un moyen plus efficace de produire un produit chimique souhaité. »
« Notre système, appelé AlphaFlow, utilise une technique d’intelligence artificielle appelée apprentissage par renforcement qui, lorsqu’elle est associée à des dispositifs microfluidiques automatisés, accélère le processus de découverte des matériaux. Nous avons montré qu’AlphaFlow peut mener plus d’expériences que 100 chimistes humains au cours de la même période. de temps, tout en utilisant moins de 0,01 % des produits chimiques pertinents. »
« Il miniaturise efficacement les expériences et effectue les mêmes opérations de laboratoire qui nécessiteraient un laboratoire de chimie humide complet dans une plate-forme expérimentale de bout en bout de la taille d’une valise. C’est extrêmement efficace. »
Le modèle d’IA d’AlphaFlow prend des décisions sur la prochaine expérience à mener en fonction de deux éléments : les données qu’il a développées à partir des expériences qu’il a déjà menées et ce qu’il prédit des résultats des prochaines expériences.
« Nous utilisons cette fenêtre mobile des étapes d’action préalables et des résultats prévus des séquences d’action futures pour éclairer la prise de décision d’AlphaFlow. À partir de là, AlphaFlow peut tenir compte des actions à effets différés et également faire pivoter sa prise de décision en fonction des résultats expérimentaux les plus récents en temps réel. « , déclare Amanda Volk, première auteure de l’article et titulaire d’un doctorat. étudiant à NC State. « Fondamentalement, le système est capable d’apprendre immédiatement et de s’adapter à des résultats inattendus. »
Cela est vrai que le système se concentre sur la découverte d’un nouveau produit chimique ou sur l’optimisation du processus de fabrication d’un produit chimique connu. La différence étant que, pour la découverte, le système essaie de déterminer quels précurseurs doivent être ajoutés, ainsi que le meilleur ordre dans lequel les ajouter, afin de trouver une chimie avec les meilleures performances.
Alors que pour l’optimisation, le modèle d’IA sait déjà quels précurseurs doivent être ajoutés et dans quel ordre. Par conséquent, l’objectif d’AlphaFlow pour l’optimisation est de déterminer la quantité de chaque précurseur nécessaire, ainsi que le temps nécessaire à chaque réaction, pour atteindre des performances optimales le plus efficacement possible.
« Cette intégration de l’IA et de la chimie réduit le temps nécessaire pour développer de nouvelles chimies d’au moins un ordre de grandeur », déclare Abolhasani. « Pensez à l’ordre des heures, au lieu des mois ou des années. »
« AlphaFlow offre également de nouvelles perspectives sur la chimie fondamentale », déclare Volk. « Par exemple, dans une démonstration de preuve de concept, AlphaFlow a développé un nouveau moyen de produire un nanocristal semi-conducteur avec un noyau de séléniure de cadmium et une coque de sulfure de cadmium. Ces nanocristaux sont utilisés dans les technologies photoniques et optiques. La nouvelle chimie découverte par AlphaFlow a moins d’étapes que la chimie antérieure découverte par l’homme, ce qui rend le processus plus efficace. »
« De plus, l’une des étapes éliminées par AlphaFlow était auparavant considérée comme une étape clé dans ce type de chimie en plusieurs étapes, ce qui a été une surprise. Le fait que nous puissions produire le même nanocristal de haute qualité sans cette étape élargit notre compréhension de la chimie impliquée.
« Fondamentalement, AlphaFlow a démontré qu’une étape que les chercheurs humains pensaient critique s’est avérée inutile », a déclaré Abolhasani. « Et il a développé cette chimie plus efficace, qui a changé ce que nous pensions savoir sur la chimie multi-étapes des nanocristaux semi-conducteurs noyau / coque, en seulement 30 jours de fonctionnement continu contre 15 ans de littérature académique. »
À l’heure actuelle, AlphaFlow est mis en place pour mener des expériences liées au dépôt de couches atomiques colloïdales. Ce type de chimie en plusieurs étapes est particulièrement difficile d’un point de vue expérimental, car il implique de nombreux paramètres différents – il peut y avoir plus de 40 variables à prendre en compte.
« Cependant, AlphaFlow pourrait être modifié pour mener n’importe quelle gamme d’expériences impliquant la réalisation de réactions chimiques en solution », explique Abolhasani.
« AlphaFlow est le premier exemple que nous connaissons qui intègre l’apprentissage par renforcement à un laboratoire autonome », déclare Volk. « Et cela met en évidence la mesure dans laquelle l’IA et les sciences physiques peuvent bénéficier l’une de l’autre. »
Les chercheurs recherchent maintenant des partenaires à la fois dans la communauté de la recherche et dans le secteur privé pour commencer à utiliser AlphaFlow pour relever les défis de la chimie.
« Idéalement, nous aimerions arriver à un point où plusieurs plateformes AlphaFlow sont utilisées pour répondre à différents défis à grande échelle liés à la transition énergétique et à la durabilité, mais partagent des données qui permettront à chacun de découvrir et de développer plus rapidement de nouveaux matériaux et molécules, » dit Abolhasani.
« AlphaFlow est open source. Nous pensons qu’il est important de partager des données expérimentales de haute qualité, reproductibles, standardisées, à la fois sur les échecs et les succès. Nous pensons que c’est important, car nous voulons accélérer la découverte de nouveaux matériaux et procédés chimiques. »
Le papier apparaît dans Communication Nature.
Plus d’information:
« AlphaFlow : découverte autonome et optimisation de la chimie en plusieurs étapes à l’aide d’un laboratoire fluidique autonome guidé par l’apprentissage par renforcement » Communication Nature, DOI : 10.1038/s41467-023-37139-y. www.nature.com/articles/s41467-023-37139-y