Encontrar una aguja en un pajar es la tarea esencialmente imposible.Pero ¿qué pasaría si nuevas herramientas pudieran hacer que esto fuera fácilmente alcanzable?Imagínese si, en lugar de buscar todo a mano, pudiera dividir pequeños montones de heno y utilizar imanes.

La inteligencia artificial (IA) puede actuar como un imán para soluciones científicas, extrayendo información importante de una montaña de posibilidades.

Pero la IA no puede hacer mucho.Si el proverbial pajar es demasiado grande, incluso el sistema más poderoso puede verse bloqueado.El uso eficaz de la IA requiere la participación inteligente de expertos en ciencias del dominio en el proceso.Un equipo de científicos reunió inteligencia artificial, experimentación de alto rendimiento y conocimientos de ciencia de materiales para acelerar el proceso de descubrimiento.

La combinación funcionó.El equipo, dirigido por investigadores del Laboratorio Nacional del Noroeste del Pacífico (PNNL) y el Laboratorio Nacional Argonne, identificó combinaciones de disolventes que pueden disolver tres veces más de un compuesto propuesto como parte de una batería de flujo redox energéticamente eficiente.

Lo lograron al reducir rápidamente su búsqueda a menos del 10% de las combinaciones posibles.Los hallazgos sonpublicadoenComunicaciones de la naturaleza.

El equipo incluyó expertos con antecedentes complementarios, todos enfocados en crear una plataforma que pueda realizar experimentos de alto rendimiento de manera inteligente.Exploraron una variedad de mezclas de disolventes orgánicos para diseñar un sistema de electrolitos óptimo para baterías de flujo basadas en redoxmer.

"A menudo, la gente ve un sistema automatizado como una forma de acelerar el descubrimiento aumentando drásticamente el número de experimentos que se pueden realizar", dijo Vijay Murugesan, científico de materiales del PNNL y coautor correspondiente del artículo."Queríamos acelerar el descubrimiento con una mayor eficiencia utilizando la IA para la ciencia".

Si bien la plataforma se dirige específicamente a mezclas de electrolitos para el almacenamiento de energía, el proceso general se puede aplicar a otros sistemas.Esto podría ser más útil para problemas con una amplia gama de soluciones potenciales dentro de un sistema restringido, dijeron los investigadores.

Datos de alto rendimiento para inteligencia artificial

En lugar de realizar experimentos de forma independiente, el equipo de experimentación de alto rendimiento recopiló datos para llenar los vacíos del algoritmo del equipo de IA.A menudo, el tipo de datos que necesita el modelo de IA no está disponible para los sistemas de laboratorio.Luego, el algoritmo debe entrenarse en base a resultados computacionales, lo que puede generar sesgos adicionales.

Desde el punto de vista experimental, determinar mezclas de disolventes optimizadas es un problema enorme."Identificamos 2.000 combinaciones posibles", dijo Yangang Liang, coautor correspondiente y experto en experimentación de alto rendimiento en PNNL.

"Ese es un número de combinaciones poco práctico para probar incluso con nuestro sistema robótico. Si bien el robot puede hacer experimentos más rápido, todavía requiere productos químicos y energía".

Identificar las opciones más prometedoras sin IA todavía habría requerido cientos de experimentos.Para limitar su búsqueda, el equipo centró su recopilación de datos inicial en función de las lagunas conocidas en los conjuntos de entrenamiento para el modelo de IA.

Alimentando la alta fidelidaddatos experimentalesen el modelo condujo a un sistema mejor entrenado, que a su vez dio mejores predicciones para la siguiente ronda de experimentos.

"Nuestro enfoque es increíblemente eficiente", afirmó Murugesan."Estamos aprovechando la velocidad del alto rendimiento y la intuición humana para entrenar mejor la IA".

El poder de los datos colaborativos

El producto de esta colaboración es doble: primero, identificar la mezcla de disolventes, objetivo científico del trabajo.El segundo es crear un conjunto de datos de alta fidelidad a partir de datos experimentales.El equipo espera que otros puedan utilizar los datos para trabajos futuros más allá de la exploración de mezclas de disolventes para baterías de flujo redox orgánico.

"Fuimos intencionales en nuestro enfoque para crear datos de alta fidelidad que puedan ayudar a construir mejores modelos predictivos", dijo Murugesan."Nuestro proceso se basó en la amplia experiencia de nuestro equipo, algo que fue posible gracias a la inversión del Departamento de Energía en trabajos a escala de centros. Los centros se especializan en este tipo de ideas ambiciosas que requieren la unión de múltiples disciplinas".

El proyecto fue apoyado a través de un esfuerzo de investigación sobre almacenamiento de energía que reunió a seis laboratorios nacionales y 10 universidades de 2018 a 2023.

"Este trabajo fue realmente inspirado por el fallecido George Crabtree, director fundador de JCESR", dijo Murugesan."Acudimos a él con la idea de utilizar la capacidad de alto rendimiento de PNNL para el descubrimiento de electrolitos, pero nos retó a pensar en grande y colaborar con el equipo de IA.

"A través de su inspiración, aprendimos que juntos podemos producir resultados impactantes más rápido integrando modelos de IA y plataformas robóticas".

Dando pasos hacia un laboratorio autónomo

Los datos basados ​​en materiales producidos por el equipo son del tipo necesario para crear sistemas de IA eficaces que impulsarán los bucles experimentales en espacios de laboratorio autónomos."Considero que este tipo de flujos de trabajo son fundamentales para un nuevo paradigma en el descubrimiento de materiales", dijo Hieu Doan, coautor correspondiente que dirigió el trabajo de IA.

"Estoy emocionado de ver el futuro de la colaboración entre investigadores de IA y científicos de materiales", añadió Karl Mueller, coautor del artículo y director de la Oficina de Desarrollo de Programas de la Dirección de Ciencias Físicas y Computacionales."Acelerar el descubrimiento de materiales es fundamental para resolver los problemas de almacenamiento de energía".

Además de Liang, Murugesan y Mueller, Juran Noh y Heather Job contribuyeron al proyecto desde PNNL.El equipo de Argonne incluía a Doan, Lily Robertson, Lu Zhang y Rajeev Assary.Muchos de los colaboradores de este trabajo son parte del recientemente lanzado Energy Storage Research Alliance Energy Innovation Hub.