O avanço dos laboratórios autónomos em química e ciência dos materiais, empregando IA e automação, promete revolucionar a investigação ao acelerar a descoberta de novas moléculas e materiais. Milad Abolhasani destaca a necessidade de definições padronizadas e métricas de desempenho para comparar e melhorar estas tecnologias de forma eficaz. Crédito: SciTechDaily.com
Métricas padronizadas para laboratórios autônomos visam acelerar a descoberta em química e ciência de materiais por meio de melhorias colaborativas.
Os campos da química e da ciência dos materiais estão a assistir a um aumento do interesse em “laboratórios autónomos”, que utilizam inteligência artificial (IA) e sistemas automatizados para agilizar a investigação e a descoberta. Os investigadores estão agora a propor um conjunto de definições e métricas de desempenho que permitirão aos investigadores, não especialistas e futuros utilizadores compreender melhor o que estas novas tecnologias estão a fazer e o desempenho de cada tecnologia em comparação com outros laboratórios autónomos.
Os laboratórios autônomos são uma promessa tremenda para acelerar a descoberta de novas moléculas, materiais e processos de fabricação, com aplicações que vão desde dispositivos eletrônicos até produtos farmacêuticos. Embora as tecnologias ainda sejam relativamente novas, algumas demonstraram reduzir o tempo necessário para identificar novos materiais de meses ou anos para dias.
“Os laboratórios autônomos estão atraindo muita atenção neste momento, mas há muitas questões pendentes em relação a essas tecnologias”, diz Milad Abolhasani, autor correspondente de um artigo sobre as novas métricas e professor associado de engenharia química e biomolecular. no Universidade Estadual da Carolina do Norte. “Esta tecnologia é descrita como sendo ‘autônoma’, mas diferentes equipes de pesquisa estão definindo ‘autônoma’ de forma diferente. Da mesma forma, diferentes equipas de investigação relatam diferentes elementos do seu trabalho de diferentes maneiras. Isto torna difícil comparar estas tecnologias entre si, e a comparação é importante se quisermos aprender uns com os outros e fazer avançar o campo.
“O que o Self-Driving Lab A faz realmente bem? Como poderíamos usar isso para melhorar o desempenho do Self-Driving Lab B? Estamos propondo um conjunto de definições e métricas de desempenho compartilhadas, que esperamos que sejam adotadas por todos que trabalham neste espaço. O objetivo final será permitir que todos aprendamos uns com os outros e avancemos nestas poderosas tecnologias de aceleração da investigação.
“Por exemplo, parece que estamos a ver alguns desafios em laboratórios autónomos relacionados com o desempenho, a precisão e a robustez de alguns sistemas autónomos”, diz Abolhasani. “Isso levanta questões sobre quão úteis essas tecnologias podem ser. Se tivermos métricas padronizadas e relatórios de resultados, poderemos identificar esses desafios e entender melhor como enfrentá-los.”
No centro da nova proposta está uma definição clara de laboratórios autônomos e sete métricas de desempenho propostas, que os pesquisadores incluiriam em qualquer trabalho publicado relacionado aos seus laboratórios autônomos.
- Grau de autonomia: quanta orientação um sistema precisa dos usuários?
- Vida útil operacional: por quanto tempo o sistema pode operar sem intervenção dos usuários?
- Taxa de transferência: quanto tempo leva para o sistema executar um único experimento?
- Precisão experimental: quão reprodutíveis são os resultados do sistema?
- Uso de materiais: qual é a quantidade total de materiais utilizados por um sistema para cada experimento?
- Espaço de parâmetros acessível: até que ponto o sistema pode levar em conta todas as variáveis em cada experimento?
- Eficiência de otimização.
“A eficiência da otimização é uma das métricas mais importantes, mas também uma das mais complexas – não se presta a uma definição concisa”, afirma Abolhasani. “Essencialmente, queremos que os investigadores analisem quantitativamente o desempenho do seu laboratório autónomo e do seu algoritmo de seleção de experiências, comparando-o com uma linha de base – por exemplo, amostragem aleatória.
“Em última análise, acreditamos que ter uma abordagem padronizada para relatórios sobre laboratórios autônomos ajudará a garantir que este campo esteja produzindo resultados confiáveis e reprodutíveis que aproveitem ao máximo os programas de IA que capitalizam os grandes conjuntos de dados de alta qualidade produzidos por laboratórios autônomos. -laboratórios de direção”, diz Abolhasani.
O artigo, “Métricas de desempenho para liberar o poder dos laboratórios autônomos em química e ciência de materiais”, foi publicado na revista de acesso aberto Comunicações da Natureza.
Referência: “Métricas de desempenho para liberar o poder dos laboratórios autônomos em química e ciência de materiais” por Amanda A. Volk e Milad Abolhasani, 14 de fevereiro de 2024, Comunicações da Natureza.
DOI: 10.1038/s41467-024-45569-5
A primeira autora do artigo é Amanda Volk, uma recente Ph.D. graduado pela NC State.
O trabalho foi realizado com o apoio do Programa Dreyfus para Aprendizado de Máquina em Ciências Químicas e Engenharia, sob o prêmio número ML-21-064; o programa Iniciativa de Oportunidades de Pesquisa da Universidade da Carolina do Norte; e a National Science Foundation, sob as doações 1940959 e 2208406.
