DI laboratorijos tampa autonominės – robotai jau gali patys planuoti ir atlikti eksperimentus

Sekite TechNaujienos Google

Mokslinėse laboratorijose atsiranda nauja automatizavimo banga: vadinamosios „self-driving labs“ sistemos, kuriose DI gali parinkti kitą eksperimentą, o robotinė įranga jį fiziškai atlikti ir grąžinti rezultatą modeliui.

Apie šią kryptį išsamiai rašo „Nature“. Pagrindinė idėja – uždaryti eksperimentų ciklą: algoritmas pasiūlo bandymą, robotas jį atlieka, rezultatas automatiškai išanalizuojamas ir pagal jį parenkamas kitas bandymas.

Mokslininkas nebedaro kiekvieno žingsnio rankomis

Tokios sistemos ypač perspektyvios medžiagų moksle, chemijoje ir baterijų tyrimuose, kur galima atlikti tūkstančius panašių bandymų keičiant kelis parametrus.

Žmogus vis dar formuluoja tikslą, prižiūri saugą ir interpretuoja platesnę reikšmę, tačiau pati paieška tarp daugybės galimų kombinacijų gali būti automatizuota.

Naujausi straipsniai

4 min. skaitymo • prieš 12 minučių

„Kvantiniai baltymai“ gali leisti pamatyti procesus gyvose ląstelėse taip, kaip iki šiol buvo neįmanoma

4 min. skaitymo • prieš 27 minutės

Natrio baterijos ruošiasi mesti iššūkį ličiui – technologija artėja prie masinės gamybos

4 min. skaitymo • prieš 42 minutės

Net kūdikių vežimėliai tampa elektromobiliais – atsiranda varikliai, stabdymo sistemos ir elektroninė pagalba tėvams

Visi naujausi straipsniai →

Eksperimentų tempas gali smarkiai išaugti

Didžiausia nauda – laboratorija gali veikti beveik visą parą ir nesustoti po vieno nesėkmingo bandymo. DI iš karto pasirenka kitą variantą ir tęsia paiešką.

Autonominė laboratorija iš esmės paverčia mokslinį eksperimentą optimizavimo ciklu. Modelis pasiūlo kitą bandymą, robotinė sistema jį atlieka, jutikliai išmatuoja rezultatą, o algoritmas pagal naują informaciją pasirenka kitą žingsnį. Taip galima daug greičiau naršyti milžinišką galimų parametrų erdvę.

Medžiagų moksle tai ypač vertinga. Jei norime rasti geresnį elektrolitą, katalizatorių ar lydinį, galimų sudėčių gali būti milijonai. Žmogus negali jų išbandyti visų, todėl svarbu pasirinkti informatyviausią kitą eksperimentą. Mašininis mokymasis gali įvertinti, kur duomenų neapibrėžtumas didžiausias ir kuris bandymas labiausiai padės susiaurinti paiešką.

Robotizacija suteikia ir pakartojamumo. Žmogus gali šiek tiek kitaip pipetuoti ar keisti mėginio paruošimą, o automatizuota sistema kiekvieną veiksmą atlieka beveik identiškai. Tai naudinga, kai skirtumai tarp rezultatų labai maži.

Tačiau „self-driving lab“ nereiškia laboratorijos be mokslininkų. Žmogus vis dar turi pasirinkti prasmingą tikslą, nustatyti saugos ribas, nuspręsti, kokius matavimus atlikti, ir interpretuoti, ar algoritmas neoptimizuoja netinkamo rodiklio. Jei pradinė užduotis suformuluota blogai, automatizacija gali labai efektyviai ieškoti neteisingo atsakymo.

Didžiausias potencialas atsiranda tada, kai tokia sistema gali veikti visą parą ir pati reaguoti į rezultatus. Eksperimentų ciklas, kuriam tradiciškai prireiktų savaičių, gali būti sutrumpintas iki dienų. Jei tai bus pritaikyta plačiai, DI poveikis mokslui gali pasireikšti ne vien geresniais teoriniais modeliais, bet ir daug greitesniu fizinių eksperimentų tempu.

Autonominė laboratorija taip pat gali sumažinti žmogaus šališkumą renkantis eksperimentus. Tyrėjas natūraliai linkęs tikrinti hipotezes, kurios jam atrodo perspektyvios, o algoritmas gali pasiūlyti neintuityvų bandymą vien todėl, kad jis suteiks daugiausia naujos informacijos. Kartais būtent tokie „keisti“ eksperimentai gali atverti naują kryptį.

Tačiau tam reikia labai geros duomenų kokybės. Jei robotas neteisingai sukalibruotas arba jutiklis sistemingai klysta, DI gali optimizuoti pagal klaidingus rezultatus ir labai greitai nutolti nuo realybės. Todėl automatizuojant eksperimentus metrologija ir kokybės kontrolė tampa dar svarbesnės, o ne mažiau svarbios.

Autonominės laboratorijos taip pat gali padaryti eksperimentų istoriją daug skaidresnę. Kiekvienas roboto veiksmas, temperatūra, dozė ir matavimo rezultatas gali būti automatiškai registruojami. Tai palengvina rezultatų atkūrimą ir leidžia tiksliai nustatyti, kurioje vietoje procesas nukrypo. Jei tokie standartizuoti duomenys būtų dalijami tarp laboratorijų, vienos grupės eksperimentą kitai būtų lengviau pakartoti nei tradiciniame rankiniu būdu aprašytame protokole.

Autonominės laboratorijos gali padėti ir reprodukuojamumui. Kiekvienas roboto veiksmas, temperatūra, reagentų kiekis ir matavimo rezultatas gali būti automatiškai užfiksuotas. Tai sukuria išsamų eksperimento žurnalą, kurį lengviau pakartoti kitoje laboratorijoje arba vėliau analizuoti ieškant klaidos.

Kartu atsiranda nauja rizika – automatizuoti sisteminę klaidą. Jei jutiklis neteisingai kalibruotas arba modelis remiasi klaidinga prielaida, laboratorija gali labai greitai pagaminti didelį kiekį blogų duomenų. Todėl žmogaus kontrolė ir periodinė nepriklausoma kalibracija išlieka būtinos net labai autonomiškoje sistemoje.

Daugiau DI ir mokslo naujienų rasite TechNaujienos.lt mokslo rubrikoje.