211service.com
Robot-naukowiec wymyśli nowe materiały, aby przyspieszyć przetwarzanie i zwalczać zanieczyszczenia
Pani Tech
W laboratorium wychodzącym na ruchliwą ulicę handlową w Cambridge w stanie Massachusetts robot próbuje stworzyć nowe materiały.
Ramię robota zanurza pipetę w naczyniu i przenosi niewielką ilość jasnego płynu do jednego z wielu pojemników umieszczonych przed inną maszyną. Gdy wszystkie próbki są gotowe, druga maszyna testuje ich właściwości optyczne, a wyniki są przesyłane do komputera sterującego ramieniem. Oprogramowanie analizuje wyniki tych eksperymentów, formułuje kilka hipotez, a następnie rozpoczyna proces od nowa. Ludzie są ledwo potrzebni.
Konfiguracja opracowana przez startup o nazwie Kebotix , zawiera wskazówki, w jaki sposób uczenie maszynowe i automatyzacja robotyki mogą w nadchodzących latach zrewolucjonizować materiałoznawstwo. Firma uważa, że może znaleźć nowe związki, które mogłyby m.in. absorbować zanieczyszczenia, zwalczać lekooporne zakażenia grzybicze i służyć jako bardziej wydajne komponenty optoelektroniczne. Oprogramowanie firmy uczy się z trójwymiarowych modeli cząsteczek o znanych właściwościach.
Algorytmy oprogramowania są już wykorzystywane do projektowania związków chemicznych i materiałów, ale proces jest powolny i surowy. Zwykle maszyna po prostu testuje niewielkie wariacje materiału, na ślepo szukając nowego, zdolnego do życia stworzenia. Uczenie maszynowe i robotyka mogą sprawić, że proces będzie znacznie szybszy i skuteczniejszy. Kebotix jest jednym z kilku startupów pracujących nad tym pomysłem.
Celem jest wykorzystanie uczenia maszynowego do generowania materiałów kandydatów. Odkrywanie jest zbyt wolne, mówi Jill Becker, dyrektor generalny Kebotix. Masz pomysł na materiał, próbujesz go wykonać i testujesz. Niewiele pomysłów jest testowanych, a wyniki są jeszcze mniejsze.
Założyciele Kebotix: Alán Aspuru-Guzik, Dennis Sheberla, Jill Becker, Semion Saikin i Christoph Kreisbeck. Dzięki uprzejmości Kebotix
Kebotix wykorzystuje kilka metod uczenia maszynowego do projektowania nowych związków chemicznych. Firma wprowadza modele molekularne związków o pożądanych właściwościach do typu sieci neuronowej, która uczy się statystycznej reprezentacji tych właściwości. Ten algorytm może następnie wymyślić nowe przykłady pasujące do tego samego modelu.
Kebotix korzysta również z innej sieci, aby wyeliminować projekty, które za bardzo odbiegają od oryginału i dlatego mogą być bezużyteczne. Następnie zrobotyzowany system firmy testuje pozostałe struktury chemiczne. Wyniki tych eksperymentów można wprowadzić z powrotem do rurociągu uczenia maszynowego, pomagając mu zbliżyć się do pożądanych właściwości chemicznych. Firma nazywa cały system autonomicznym laboratorium.
Christoph Kreisbeck, dyrektor ds. produktów w firmie, mówi, że Kebotix rozpocznie pracę z cząsteczkami do zastosowań elektronicznych, a następnie spróbuje zająć się nowymi polimerami i stopami.
Sztuczna inteligencja przewiduje i planuje, co dalej; system automatyzacji robota bardzo szybko testuje naszą nową cząsteczkę, mówi Kreisbeck. Maszyna może uczyć się z bazy danych i podejmować lepsze decyzje na kolejną rundę.
Kebotix został założony przez naukowców pracujących w laboratorium na Harvardzie z Alan Aspuru-Guzik , który opuścił Harvard na początku tego roku, aby budować w laboratorium na Uniwersytecie Toronto w Kanadzie. Kebotix, który ma siedzibę w firmie VC MIT Silnik , niedawno otrzymał 5 milionów dolarów na finansowanie zalążkowe. Rundę inwestycyjną poprowadziła Wyprawy w jedną stronę , firma inwestycyjna specjalizująca się w finansowaniu przedsiębiorców-imigrantów. Wszyscy członkowie zespołu założycielskiego Kebotix to imigranci do USA.
Klavs Jensen , profesor na wydziale inżynierii chemicznej MIT, prowadzi laboratorium, które opracowuje zautomatyzowane podejścia do opracowywania użytecznych nowych chemikaliów, w tym metody łączące uczenie maszynowe i robotykę. Twierdzi, że haczyk polega na tym, że takie metody wymagają zwykle ogromnych ilości danych, co jest generalnie czasochłonne i trudne do zebrania. Staje się to również trudniejsze, ponieważ materiały stają się bardziej skomplikowane. Z pewnością można wiele zrobić, mówi Jensen. Ale jak wszystko inne, chodzi o jakość danych.
Jensen mówi, że automatyzacja, już powszechna w przemyśle farmaceutycznym, będzie nabierała coraz większego znaczenia w badaniach materiałowych. Mówi, że nie zastąpi eksperta, ale będziesz w stanie robić rzeczy o wiele szybciej.