Encontrar una aguja en un pajar es una tarea imposible por excelencia. Pero, ¿qué pasaría si nuevas herramientas pudieran hacer que esto fuera posible? Imagine que, en lugar de buscar a mano en todo, pudiera dividir pequeños montoncitos de paja y utilizar imanes.
La inteligencia artificial (IA) puede actuar como un imán para las soluciones científicas, extrayendo información importante de una montaña de posibilidades.
Pero la IA solo puede hacer hasta cierto punto. Si el proverbial pajar es demasiado grande, incluso el sistema más poderoso puede verse obstaculizado.
Para utilizar la IA de manera eficaz es necesario involucrar de manera inteligente a los expertos en ciencia del dominio en el proceso.
Un equipo de científicos unió la IA, la experimentación de alto rendimiento y el conocimiento de la ciencia de los materiales para acelerar el proceso de descubrimiento.
La combinación funcionó. El equipo, dirigido por investigadores del Laboratorio Nacional del Pacífico Noroeste (PNNL) y el Laboratorio Nacional Argonne, identificó combinaciones de solventes que pueden disolver tres veces más de un compuesto propuesto como parte de una batería de flujo redox de eficiencia energética.
Lo consiguieron al limitar rápidamente su búsqueda a menos del 10 % de las combinaciones posibles.
El equipo incluyó a expertos de trayectorias complementarias, todos centrados en crear una plataforma que pueda realizar experimentos de alto rendimiento de forma inteligente.
Exploraron una variedad de mezclas de disolventes orgánicos para diseñar un sistema de electrolitos óptimo para baterías de flujo basadas en redoxmeros.
“A menudo, la gente considera un sistema automatizado como una forma de acelerar el descubrimiento al aumentar drásticamente la cantidad de experimentos que se pueden realizar“, dijo Vijay Murugesan, científico de materiales del PNNL y coautor correspondiente del artículo.
“Queríamos acelerar el descubrimiento con una mayor eficiencia utilizando IA para la ciencia”.
Si bien la plataforma apunta específicamente a mezclas de electrolitos para el almacenamiento de energía, el proceso general se puede aplicar a otros sistemas.
Esto podría ser más útil para problemas con una amplia gama de soluciones potenciales dentro de un sistema restringido, dijeron los investigadores.
En lugar de ejecutar experimentos de forma independiente, el equipo de experimentación de alto rendimiento recopiló datos para llenar los vacíos para el algoritmo del equipo de IA.
A menudo, el tipo de datos que necesita el modelo de IA no está disponible para los sistemas de laboratorio.
El algoritmo debe entrenarse con resultados computacionales, lo que puede generar sesgos adicionales.
En el aspecto experimental, determinar mezclas de solventes optimizadas es un problema enorme.
“Identificamos 2000 combinaciones posibles“, dijo Yangang Liang, coautor correspondiente y experto en experimentación de alto rendimiento en PNNL.
“Esa es una cantidad de combinaciones poco práctica para probar incluso con nuestro sistema robótico.
Si bien el robot puede hacer experimentos más rápido, aún requiere sustancias químicas y energía”.
Identificar las opciones más prometedoras sin IA aún habría requerido cientos de experimentos.
Para limitar su búsqueda, el equipo orientó su recopilación de datos inicial en función de las brechas conocidas en los conjuntos de entrenamiento para el modelo de IA.
Al introducir los datos experimentales de alta fidelidad en el modelo, se obtuvo un sistema mejor entrenado, que a su vez brindó mejores predicciones para la siguiente ronda de experimentos.
“Nuestro enfoque es increíblemente eficiente“, dijo Murugesan.
“Estamos aprovechando la velocidad del alto rendimiento y la intuición humana para entrenar mejor a la IA”.
El resultado de esta colaboración es doble: primero, identificar la mezcla de solventes, el objetivo científico del trabajo.
El segundo, crear un conjunto de datos de alta fidelidad a partir de datos experimentales.
El equipo espera que otros puedan utilizar los datos para trabajos futuros más allá de explorar mezclas de solventes para baterías de flujo redox orgánicas.
“Fuimos intencionales en nuestro enfoque de crear datos de alta fidelidad que puedan ayudar a construir mejores modelos predictivos“, dijo Murugesan.
“Nuestro proceso se basó en la amplia experiencia de nuestro equipo, algo que fue posible gracias a la inversión del Departamento de Energía en trabajo a escala central.
Los centros se especializan en este tipo de ideas ambiciosas que requieren la unión de múltiples disciplinas”.
Los datos basados en materiales que produce el equipo son del tipo necesario para crear los sistemas de IA eficaces que impulsarán los ciclos experimentales en espacios de laboratorio autónomos.
“Considero que este tipo de flujos de trabajo son fundamentales para un nuevo paradigma en el descubrimiento de materiales“, afirmó Hieu Doan, coautor correspondiente que dirigió el trabajo de IA.
Fuente: Nature
Recientemente, Sanctuary AI presentó su mano robótica que ahora es capaz de manipular objetos. (more…)
Especialistas en robótica de la Universidad de Leeds y el University College de Londres han…
El lenguaje de señas es un medio de comunicación sofisticado y vital para las personas…
Según un nuevo estudio dirigido por el Imperial College, una tecnología de navegación que utiliza…
Gemini 2.0 Flash Thinking Experimental es una nueva versión de la IA de Google que…
Las computadoras cuánticas difieren fundamentalmente de las clásicas. En lugar de utilizar bits (0 y…