Fermé

James Tyrrell

@JT_bluebird1

[email protected]

Les machines peuvent-elles fabriquer de meilleures batteries ? Les méthodes d’IA en boucle fermée accélèrent le processus de découverte des matériaux des appareils.

L’intelligence artificielle (IA) apporte une sorte de magie à divers besoins commerciaux – depuis l’accès aux conseils juridiques de l’entreprise jusqu’à la prédiction des types de produits que les clients souhaitent acheter. Les systèmes deviennent si performants dans les tâches sur le lieu de travail que certaines personnes se demandent si l’IA va nous prendre notre emploi. Mais rares sont ceux qui se plaindraient si les machines pouvaient fabriquer de meilleures batteries afin que les smartphones et autres appareils portables durent plus longtemps entre les charges. Et c’est là que les méthodes d’IA en boucle fermée, faisant appel à des robots assistants de laboratoire, font leur marque.

En publiant leurs derniers résultats dans la revue en libre accès STAM Methods, des chercheurs japonais ont dévoilé NIMS OS, une bibliothèque Python pour l'exploration automatisée des matériaux. Le système d'orchestration, disponible sur GitHub, comporte une IA en boucle fermée qui génère un fichier de propositions de combinaisons de matériaux pour les tests de robots, puis affine les candidats les plus prometteurs en fonction de ces résultats expérimentaux.

Comme l'explique l'équipe – qui comprend des membres du Center for Advanced Battery Collaboration et du Research Center for Energy and Environmental Materials, tous deux faisant partie de l'Institut national japonais pour la science des matériaux (NIMS), l'IA en boucle fermée est la prochaine étape vers une meilleure construction. dispositifs.

"Les expériences robotiques ont progressé pour réaliser l'automatisation en laboratoire de l'analyse chimique et du criblage à haut débit dans le domaine de la biologie", écrivent les chercheurs dans leur article. "En outre, de nombreuses méthodes ont été proposées pour l'optimisation des boîtes noires dans l'exploration des matériaux, telles que les algorithmes génétiques, la recherche arborescente de Monte Carlo, l'échantillonnage d'événements rares et les algorithmes utilisant une machine d'Ising."

Les systèmes d’IA en boucle fermée, intégrés verticalement, représentent l’avenir du monde physique. J'adore cette machine robotique de destruction des mauvaises herbes. h/t @byjacobward pic.twitter.com/oASjG2STVH

– Aaron Slodov (@aphysicien) 12 juin 2023

IA en boucle fermée sur le terrain.

La combinaison de ces développements dans une approche d'IA en boucle fermée pour la découverte de nouveaux matériaux accélère non seulement la recherche de meilleures batteries et éléments de dispositif, mais supprime également l'erreur humaine dans la collecte des résultats expérimentaux.

NIMS OS divise le processus en une série de modules qui représentent soit des algorithmes d'IA individuels, soit des systèmes robotiques. Et les utilisateurs peuvent concevoir l'automatisation de l'IA en boucle fermée nécessaire à leurs projets de découverte de matériaux en assemblant des combinaisons des différents modules logiciels.

L’une des approches d’apprentissage automatique les plus couramment utilisées dans ce domaine est ce que l’on appelle l’optimisation bayésienne (BO), qui est une approche statistique pour optimiser les paramètres de conception. "En utilisant BO, divers matériaux réels, tels que les matériaux conducteurs Li-ion, les métamatériaux multicouches, la pérovskite halogénure, les superalliages et les électrolytes, ont été explorés", explique le groupe NIMS OS.

Actuellement, les développeurs ont implémenté trois types d’algorithmes d’IA, dont BO, dans leur plateforme d’IA en boucle fermée. Les exemples incluent un package Python pour explorer les films minces et les polymères, ainsi qu'un prédicteur permettant de sélectionner la prochaine série de conditions expérimentales, basée sur la régression forestière aléatoire. Et pour que les choses restent intéressantes, il existe également une option d'exploration aléatoire. Cependant, cela sert principalement de point de départ aux algorithmes d’IA, qui devraient – ​​à mesure que les résultats expérimentaux rassemblés par le robot s’accumulent – ​​converger vers des matériaux candidats prometteurs.