Les chercheurs ont démontré une nouvelle technique qui permet aux «laboratoires autonomes» de collecter au moins 10 fois plus de données que les techniques précédentes à vitesse record. L'avance – qui est publiée dans Génie chimique de la nature– accélère dramatiquement la recherche de découverte de matériaux, tout en réduisant les coûts et l'impact environnemental.
L'article est intitulé «Intensification des données dirigée par le flux pour accélérer la découverte de matériaux autonomes».
Les laboratoires autonomes sont des plateformes robotiques qui combinent l'apprentissage automatique et l'automatisation avec les sciences chimiques et des matériaux pour découvrir les matériaux plus rapidement. Le processus automatisé permet aux algorithmes d'apprentissage automatique d'utiliser les données de chaque expérience lors de la prédiction de l'expérience pour mener à côté pour atteindre tout objectif programmé dans le système.
« Imaginez si les scientifiques pouvaient découvrir des matériaux révolutionnaires pour l'énergie propre, de nouvelles électroniques ou des produits chimiques durables en quelques jours au lieu de années, en utilisant juste une fraction des matériaux et en générant beaucoup moins de déchets que le statu quo », explique Milad Abolhasani, auteur correspondant d'un article sur le travail et professeur d'Alcoa de génie chimique et biomoléculaire à la North Carolina State University.
« Ce travail rapproche ce futur. »
Jusqu'à présent, les laboratoires autonomes utilisant des réacteurs à débit continu se sont appuyés sur des expériences d'écoulement à l'état d'équilibre. Dans ces expériences, différents précurseurs sont mélangés et des réactions chimiques ont lieu en circulation en continu dans un microcanal. Le produit résultant est ensuite caractérisé par une suite de capteurs une fois la réaction terminée.
« Cette approche établie des laboratoires autonomes a eu un impact dramatique sur la découverte des matériaux », explique Abolhasani.
« Il nous permet d'identifier les candidats matériels prometteurs pour des applications spécifiques en quelques mois ou semaines, plutôt qu'aux années, tout en réduisant à la fois les coûts et l'impact environnemental du travail. Cependant, il y avait encore de la place à l'amélioration. »
Les expériences d'écoulement à l'état d'équilibre nécessitent que le laboratoire autonome attende que la réaction chimique ait lieu avant de caractériser le matériau résultant. Cela signifie que le système est inactif pendant que les réactions ont lieu, ce qui peut prendre jusqu'à une heure par expérience.
« Nous avons maintenant créé un laboratoire autonome qui utilise des expériences d'écoulement dynamique, où les mélanges chimiques varient en continu par le système et sont surveillés en temps réel », explique Abolhasani.
« En d'autres termes, plutôt que d'exécuter des échantillons séparés à travers le système et de les tester un à la fois après avoir atteint l'état d'équilibre, nous avons créé un système qui ne cesse essentiellement de fonctionner. L'échantillon se déplace en continu dans le système et, parce que le système n'arrête jamais de caractériser l'échantillon, nous pouvons capturer des données sur ce qui se passe dans l'échantillon toutes les demi-secondes.
« Par exemple, au lieu d'avoir un point de données sur ce que l'expérience produit après 10 secondes de temps de réaction, nous avons 20 points de données – un après 0,5 seconde de temps de réaction, un après 1 seconde de temps de réaction, etc.
La collecte de nombreuses données supplémentaires a un impact important sur les performances du laboratoire autonome.
« La partie la plus importante de tout laboratoire autonome est l'algorithme d'apprentissage automatique que le système utilise pour prédire quelle expérience il devrait effectuer ensuite », explique Abolhasani.
« Cette approche de données de streaming permet au cerveau d'apprentissage automatique du laboratoire autonome de prendre des décisions plus intelligentes, plus rapides, de perfectionner des matériaux et des processus optimaux dans une fraction du temps.
« C'est parce que plus les données expérimentales de haute qualité que l'algorithme reçoivent, plus ses prédictions deviennent précises et plus elle peut résoudre un problème. Cela a l'avantage supplémentaire de réduire la quantité de produits chimiques nécessaires pour arriver à une solution. »
Dans ce travail, les chercheurs ont trouvé le laboratoire autonome qui incorporait un système d'écoulement dynamique a généré au moins 10 fois plus de données que des laboratoires autonomes qui ont utilisé des expériences d'écoulement à l'état d'équilibre sur la même période de temps, et ont pu identifier les meilleurs candidats matériels lors du tout premier essai après l'entraînement.
« Cette percée n'est pas seulement une question de vitesse », explique Abolhasani. « En réduisant le nombre d'expériences nécessaires, le système réduit considérablement l'utilisation et les déchets chimiques, faisant avancer des pratiques de recherche plus durables.
« L'avenir de la découverte des matériaux ne concerne pas la vitesse à laquelle nous pouvons aller, c'est aussi à quel point nous y arrivons de manière responsable », explique Abolhasani. « Notre approche signifie moins de produits chimiques, moins de déchets et des solutions plus rapides pour les défis les plus difficiles de la société. »
