干し草の山から針を見つけることは、典型的には不可能な作業です。しかし、新しいツールでそれを簡単に実現できるとしたらどうなるでしょうか?すべてを手で探す代わりに、小さな干し草の山を分けて磁石を使えばどうでしょうか。

人工知能 (AI) は科学的解決策を生み出す磁石として機能し、山ほどある可能性から重要な情報を引き出します。

しかし、AI ができることには限界があります。ことわざにある干し草の山が大きすぎると、最も強力なシステムであっても妨げられる可能性があります。AI を効果的に使用するには、プロセスにドメイン サイエンスの専門知識をインテリジェントに組み込む必要があります。科学者チームは、AI、ハイスループット実験、材料科学の知識を統合して、発見プロセスをスピードアップしました。

組み合わせがうまくいきました。パシフィック・ノースウェスト国立研究所（PNNL）とアルゴンヌ国立研究所の研究者が率いるこのチームは、エネルギー効率の高いレドックスフロー電池の一部として提案されている化合物を3倍以上溶解できる溶媒の組み合わせを特定した。

彼らは、可能な組み合わせの 10% 未満に検索を迅速に絞り込むことに成功しました。調査結果は次のとおりです出版されたでネイチャーコミュニケーションズ。

チームには、相互に補完的な背景を持つ専門家が含まれており、全員がハイスループットの実験をインテリジェントに実行できるプラットフォームの作成に焦点を当てていました。彼らは、レドックスマーベースのフロー電池に最適な電解質システムを設計するために、さまざまな有機溶媒混合物を調査しました。

「多くの場合、人々は自動化システムを、実行できる実験の数を劇的に増やすことで発見をスピードアップする方法として考えています」と、PNNLの材料科学者で論文の共同執筆者であるビジェイ・ムルゲサン氏は述べた。「私たちは科学に AI を使用して効率を高め、発見をスピードアップしたいと考えていました。」

このプラットフォームは特にエネルギー貯蔵用の電解質混合物を対象としていますが、一般的なプロセスは他のシステムにも適用できます。これは、制約されたシステム内で膨大な数の潜在的な解決策が存在する問題に最も役立つ可能性があると研究者らは述べています。

人工知能用の高スループットデータ

高スループット実験チームは、独立して実験を実行するのではなく、AI チームのアルゴリズムのギャップを埋めるためにデータを収集しました。多くの場合、AI モデルが必要とするデータの種類は、研究室システムでは利用できません。その後、計算結果に基づいてアルゴリズムをトレーニングする必要があるため、さらなるバイアスが生じる可能性があります。

実験面では、最適化された溶媒混合物を決定することは大きな問題です。「私たちは 2,000 通りの可能な組み合わせを特定しました」と、共同責任著者であり、PNNL のハイスループット実験の専門家であるヤンガン・リャン氏は述べた。

「これは、私たちのロボットシステムを使ってもテストするには非現実的な組み合わせの数です。ロボットはより速く実験を行うことができますが、それでも化学物質とエネルギーが必要です。」

AI を使用せずに最も有望なオプションを特定するには、依然として数百回の実験が必要でした。検索を絞り込むために、チームは AI モデルのトレーニング セットの既知のギャップに基づいて最初のデータ収集をターゲットにしました。

高忠実度のフィード実験データモデルに組み込むと、システムがより適切にトレーニングされ、次の実験ラウンドでより適切な予測が得られました。

「私たちのアプローチは信じられないほど効率的です」とムルゲサン氏は語った。「私たちは、AI のトレーニングを改善するために、高スループットのスピードと人間の直感を活用しています。」

共同データの力

この共同研究の成果は 2 つあります。1 つは、研究の科学的目標である溶媒混合物の特定です。2 つ目は、実験データから忠実度の高いデータセットを作成することです。研究チームは、有機レドックスフロー電池用の溶媒混合物の研究以外にも、他の研究者がこのデータを将来の研究に利用できるようになることを期待している。

「私たちは、より良い予測モデルの構築に役立つ忠実度の高いデータを作成するというアプローチを意図的に行っていました」とムルゲサン氏は述べています。「私たちのプロセスは、エネルギー省のセンター規模の取り組みへの投資によって可能になった、私たちのチームの幅広い専門知識によって形作られました。センターは、複数の専門分野の連携を必要とするこの種の野心的なアイデアに特化しています。」

このプロジェクトは、2018年から2023年まで6つの国立研究所と10の大学が結集したエネルギー貯蔵研究活動を通じて支援された。

「この作品は、JCESRの創設ディレクターである故​​ジョージ・クラブツリーに本当にインスピレーションを得ました」とムルゲサン氏は語った。「私たちは、PNNL のハイスループット能力を電解質発見に使用するというアイデアを持って彼に相談しましたが、彼は私たちに、より広い視野で考え、AI チームと協力するよう求めました。

「彼のインスピレーションを通じて、私たちは AI モデルとロボット プラットフォームを統合することで、より早くインパクトのある結果を生み出すことができることを学びました。」

自動運転ラボへの一歩を踏み出す

チームによって生成された材料情報に基づいたデータは、自律的なラボスペースで実験ループを駆動する効果的な AI システムの作成に必要なタイプです。「私は、この種のワークフローが材料発見における新たなパラダイムの中心となると考えています」と、AI研究を主導した共同特派員のヒエウ・ドアン氏は述べた。

「AI研究者と材料科学者とのコラボレーションの将来を見るのが楽しみです」と論文の共著者で物理計算科学総局プログラム開発室のディレクターであるカール・ミュラー氏は付け加えた。「材料の発見を加速することは、エネルギー貯蔵の問題を解決するために重要です。」

Liang、Murugesan、Mueller に加えて、Juran Noh と Heather Job が PNNL からプロジェクトに貢献しました。アルゴンヌチームにはドアン、リリー・ロバートソン、ルー・チャン、ラジーブ・アサリーが含まれていた。この研究の協力者の多くは、新しく立ち上げられたエネルギー貯蔵研究アライアンス エネルギー イノベーション ハブの一員です。