Kendi Kendini Yöneten Laboratuvar, Kimyasal Keşif Süreçlerini Hızlandırabilir
Kimya mühendisliği araştırmacılarından oluşan bir ekip, gelişmiş fonksiyonel materyallerin ve moleküllerin sentezi için yeni karmaşık çok adımlı reaksiyon yollarını tanımlayabilen ve optimize edebilen, kendi kendine çalışan bir laboratuvar geliştirdi.
Kavram kanıtı demo sürecindeki bu sistem, optik ve fotonik cihazlarda kullanılan yüksek kaliteli yarı iletken nanokristalleri üretmenin daha verimli bir yolunu buldu.
Çalışmayla ilgili makalenin yazarı North Carolina Eyalet Üniversitesi’nde kimya ve biyomoleküler mühendislik profesörü olan Milad Abolhasani, “Malzemelerde ve moleküler keşifte ilerleme yavaş, çünkü yeni kimyaları keşfetmeye yönelik geleneksel teknikler, kimya ve malzeme bilimi laboratuvarlarında silo halindeki işlemleri kullanarak her seferinde bir parametreyi değiştirmeye dayanıyor” dedi.
Abolhasani, “Karmaşık bir kimya düzinelerce parametre içeriyorsa, yeni bir hedef malzeme geliştirmek veya istenen bir kimyasalı üretmenin daha verimli bir yolunu geliştirmek onlarca yıl alabilir.
AlphaFlow adlı sistemimiz, otomatikleştirilmiş mikroakışkan cihazlarla birleştiğinde malzeme keşif sürecini hızlandıran, pekiştirmeli öğrenme adı verilen yapay zeka tekniğini kullanır.
AlphaFlow’un ilgili kimyasalların %0,01’inden daha azını kullanarak aynı süre içinde 100 insan kimyacıdan daha fazla deney gerçekleştirebileceğini gösterdik.
Bu, deneyleri etkili bir şekilde küçültür ve sadece bir çanta boyutundaki uçtan uca deneysel bir platformda, tüm bir ıslak kimya laboratuvarını gerektirecek aynı laboratuvar işlemlerini gerçekleştirir. Bu, son derece verimli.”
AlphaFlow’un yapay zeka modeli, hangi deneyin yapılacağına iki şeye dayanarak yani, halihazırda yürüttüğü deneylerden geliştirdiği veriler ve sonraki birkaç deneyin sonuçlarının ne olacağını tahmin etmeye dayanıyor.
Makalenin ilk yazarı ve NC State’de doktora öğrencisi olan Amanda Volk “AlphaFlow’un karar verme sürecini bilgilendirmek için önceki eylem adımlarının bu hareketli penceresini ve gelecekteki eylem dizilerinin tahmin edilen sonuçlarını kullanıyoruz.
Bundan hareketle, AlphaFlow gecikmeli etkileri olan eylemleri açıklayabilir ve aynı zamanda karar verme sürecini gerçek zamanlı olarak en son deneysel sonuçlara göre yönlendirebilir,” dedi ve ekledi “Temel olarak, sistem beklenmedik sonuçlardan anında öğrenme ve bunlara
uyum sağlama yeteneğine sahiptir.”
Sistem ister yeni bir kimyasal keşfetmeye, ister bilinen bir kimyasal için üretim sürecini optimize etmeye odaklansın, bu doğrudur. Aradaki fark, keşif için sistemin, en iyi performansa sahip kimyayı bulmak için hangi öncülerin eklenmesi gerektiğini ve bunların
ekleneceği en iyi sırayı belirlemeye çalışmasıdır.
Optimizasyon için ise yapay zeka modeli hangi öncüllerin hangi sırayla eklenmesi gerektiğini zaten biliyor. Sonuç olarak, AlphaFlow’un optimizasyona odaklanması, optimum performansa en verimli şekilde ulaşmak için her bir öncü maddenin ne kadarının ve her reaksiyon için gereken sürenin belirlenmesi anlamına geliyor.
Abolhasani, “Yapay zeka ve kimyanın bu entegrasyonu, yeni kimyalar geliştirmek için gereken süreyi en azından bir büyüklük sırası azaltıyor” dedi ve ekledi “Aylar veya yıllar yerine saatler olarak düşünebilirsiniz.” Volk ise “AlphaFlow ayrıca temel kimyaya ilişkin yeni
içgörüler sunuyor.
Örneğin, bir konsept kanıtlama gösteriminde AlphaFlow, kadmiyum selenid çekirdekli ve
kadmiyum sülfür kabuklu yarı iletken bir nanokristal üretmenin yeni bir yolunu geliştirdi. Bu nanokristaller fotonik ve optik teknolojilerde kullanılmaktadır.
AlphaFlow tarafından keşfedilen yeni kimya, daha önce insan tarafından keşfedilen kimyaya göre daha az adım içeriyor ve bu da süreci daha verimli hale getiriyor. Ayrıca, AlphaFlow’un ortadan kaldırdığı adımlardan birinin daha önce bu tür çok adımlı kimyada kilit bir adım olduğuna inanılıyordu ki, bu da sürpriz oldu.
Aynı yüksek kaliteli nano kristali bu adım olmadan üretebiliyor olmamız, ilgili kimya anlayışımızı genişletiyor. Abolhasani ekledi “Aslında, AlphaFlow, araştırmacıların
kritik olduğunu düşündüğü bir adımın gereksiz olduğunu gösterdi ve çekirdek/kabuk yarı iletken nanokristallerin çok adımlı kimyası hakkında bildiğimizi düşündüğümüzü değiştiren bu daha verimli kimyayı, 15 yıllık akademik literatüre karşı sadece 30 günlük sürekli çalışmayla geliştirdi.”
Şu anda AlphaFlow, kolloidal atomik katman biriktirme ile ilgili deneyler yapmak üzere tasarlanmış durumda. Bu tür çok adımlı kimya, deneysel açıdan özellikle zordur, çünkü birçok farklı parametreyi içeriyor ve bu kapsamda hesaba katılması gereken 40’tan fazla
değişken olabilir.
Profesör Milad Abolhasani, “Ancak AlphaFlow, çözelti içinde kimyasal reaksiyonların
gerçekleştirilmesini içeren herhangi bir dizi deneyi yürütmek için değiştirilebilir” dedi.
Volk ise, “AlphaFlow, pekiştirmeli öğrenimi kendi kendine çalışan bir laboratuvarla bütünleştiren bildiğimiz ilk örnek ve AI ile fizik bilimlerinin birbirinden ne ölçüde yararlanabileceğini vurguluyor” diye belirtti.
Araştırmacılar şimdi, kimya alanındaki zorlukları ele almak adına AlphaFlow’u kullanmaya başlamak için hem araştırma topluluğunda hem de özel sektörde ortaklar arıyorlar.
Abolhasani “İdeal olarak, enerji geçişi ve sürdürülebilirlik ile ilgili farklı büyük ölçekli zorlukları ele almak için birden fazla AlphaFlow platformunun kullanıldığı, ancak herkesin yeni malzemeleri ve molekülleri daha hızlı keşfetmesine ve geliştirmesine olanak sağlayacak verileri paylaştığı bir noktaya ulaşmak istiyoruz.
AlphaFlow açık kaynaktır. Hem başarısızlıklardan hem de başarılardan yüksek kaliteli, tekrarlanabilir, standartlaştırılmış, deneysel verileri paylaşmanın önemli olduğunu düşünüyoruz. Bunun önemli olduğunu düşünüyoruz çünkü yeni materyallerin ve kimyasal süreçlerin keşfini hızlandırmak istiyoruz” dedi.
Kaynak: The paper appears in Nature Communications. More information: “AlphaFlow: Autonomous Discovery and Optimization of Multi-Step Chemistry using a Self-Driven Fluidic Lab Guided by Reinforcement Learning” Nature Communications, DOI: 10.1038/s41467-023-37139-y. www.nature.com/articles/s41467-023-37139-y
Journal information: Nature Communications Provided by North Carolina State University / https://phys.org/news/2023-03-self-driven-laboratorychemical-discovery.html
