Закрыто

Джеймс Тиррелл

@JT_bluebird1

[email protected]

Могут ли машины производить более качественные аккумуляторы? Методы искусственного интеллекта с обратной связью ускоряют процесс поиска материалов для устройств.

Искусственный интеллект (ИИ) привносит своего рода волшебство в различные потребности бизнеса — от открытия доступа к юридическим консультациям компании до прогнозирования того, какие типы продуктов хотят купить клиенты. Системы становятся настолько способными решать задачи на рабочем месте, что некоторые люди задаются вопросом, отнимет ли ИИ нашу работу. Но мало кто будет жаловаться, если машины смогут создавать более качественные аккумуляторы, чтобы смартфоны и другие портативные устройства работали дольше без подзарядки. И именно здесь методы искусственного интеллекта с обратной связью с участием роботов-лаборантов оставляют свой след.

Опубликовав свои последние результаты в журнале STAM с открытым доступом, исследователи из Японии представили ОС NIMS — библиотеку Python для автоматизированного исследования материалов. Система оркестровки, доступная на GitHub, включает в себя искусственный интеллект замкнутого цикла, который генерирует файл предложений комбинаций материалов для тестирования роботов, а затем на основе этих экспериментальных результатов отбирает наиболее перспективных кандидатов.

Как объясняет команда, в которую входят члены Центра перспективного сотрудничества в области аккумуляторов и Исследовательского центра энергетики и экологических материалов, которые являются частью Национального института материаловедения Японии (NIMS), ИИ с замкнутым контуром является следующим шагом в создании более совершенных технологий. устройства.

«Роботизированные эксперименты позволили реализовать лабораторную автоматизацию химического анализа и высокопроизводительный скрининг в области биологии», — пишут исследователи в своей статье. «Кроме того, было предложено множество методов оптимизации черного ящика при исследовании материалов, таких как генетические алгоритмы, поиск по дереву Монте-Карло, выборка редких событий и алгоритмы с использованием машины Изинга».

Вертикально интегрированные системы искусственного интеллекта с замкнутым контуром — это будущее физического мира. Обожаю эту роботизированную машину для уничтожения травки. ч/т @byjacobward pic.twitter.com/oASjG2STVH

– Аарон Слодов (@aфизик) 12 июня 2023 г.

Замкнутый ИИ в полевых условиях.

Объединение этих разработок в подход искусственного интеллекта с обратной связью для открытия новых материалов не только ускоряет поиск лучших батарей и элементов устройств, но также исключает человеческие ошибки при сборе экспериментальных результатов.

ОС NIMS делит процесс на ряд модулей, которые представляют собой либо отдельные алгоритмы искусственного интеллекта, либо роботизированные системы. Пользователи могут спроектировать автоматизацию искусственного интеллекта с замкнутым контуром, необходимую для своих проектов по поиску материалов, собирая комбинации различных программных модулей.

Одним из наиболее часто используемых подходов машинного обучения в этой области является так называемая байесовская оптимизация (BO), которая представляет собой статистический подход к оптимизации параметров конструкции. «С помощью БО исследованы различные реальные материалы, такие как литий-ионные проводящие материалы, многослойные метаматериалы, галогенидный перовскит, суперсплавы и электролиты», — поясняют в группе ОС НИМС.

В настоящее время разработчики реализовали три типа алгоритмов ИИ, включая БО, в своей платформе ИИ с замкнутым контуром. Примеры включают пакет Python для исследования тонких пленок и полимеров, а также предиктор для выбора следующего раунда экспериментальных условий, основанный на регрессии случайного леса. И, чтобы было интереснее, есть возможность случайного исследования. Тем не менее, это в первую очередь используется в качестве отправной точки для алгоритмов ИИ, которые должны – по мере накопления роботом экспериментальных результатов – приближаться к перспективным кандидатам на материалы.