Robots con inteligencia artificial están fabricando nuevos materiales, mejorando celdas solares y otras tecnologías

En julio de 2018, Curtis Berlinguette, científico de materiales de la Universidad de Columbia Británica en Vancouver, Canadá, se dio cuenta de que estaba perdiendo el tiempo y el talento de su estudiante graduado.

Le había pedido que refinara un material clave en las células solares para aumentar su conductividad eléctrica.

Pero el número de posibles ajustes fue abrumador, desde aumentar la receta con trazas de metales y otros aditivos hasta variar los tiempos de calentamiento y secado.

“Hay tantas cosas que puedes cambiar, que puedes pasar rápidamente por 10 millones de [diseños] que puedes probar“, dice Berlinguette.

Así que él y sus colegas subcontrataron el esfuerzo a un robot de un solo brazo supervisado por un algoritmo de inteligencia artificial (IA).

Apodado Ada, el robot mezcló diferentes soluciones, las fundió en películas, realizó tratamientos térmicos y otros pasos de procesamiento, probó la conductividad de las películas, evaluó su microestructura y registró los resultados.

La IA interpretó cada experimento y determinó qué sintetizar a continuación.

En una reunión de la Sociedad de Investigación de Materiales (MRS) la semana pasada, Berlinguette informó que el sistema se centró rápidamente en una receta y condiciones de calentamiento que crearon películas libres de defectos ideales para las celdas solares.

“Lo que solía llevarnos 9 meses ahora nos lleva 5 días”, dice Berlinguette.

Otros científicos de materiales también informaron éxitos con tales sistemas de “circuito cerrado” que combinan los últimos avances en automatización con IA la cual dirige cómo deben proceder los experimentos sobre la marcha.

Desarrolladores de drogas, genetistas e investigadores en otros campos ya habían fusionado IA y robots para diseñar y hacer experimentos, pero los científicos de materiales se habían quedado atrás.

Los sintetizadores de ADN se pueden programar para ensamblar cualquier combinación de letras de ADN, pero no hay una única forma de sintetizar, procesar o caracterizar materiales, lo que hace que sea exponencialmente más complicado desarrollar un sistema automatizado que pueda ser guiado por una IA.

Los científicos de materiales finalmente están poniendo en línea tales sistemas.

“Es un área superexcitante”, dice Benji Maruyama, científico de materiales del Laboratorio de Investigación de la Fuerza Aérea de los Estados Unidos al este de Dayton, Ohio.

“El ciclo cerrado es lo que realmente va a hacer que el progreso en la investigación de materiales sea mucho más rápido”.

Con más de 100 elementos en la tabla periódica y la capacidad de combinarlos de manera prácticamente ilimitada, la cantidad de materiales posibles es desalentadora.

“La buena noticia es que hay millones o miles de millones de materiales no descubiertos”, dice Apurva Mehta, física de materiales en la fuente de luz de radiación de sincrotrón de Stanford en Menlo Park, California.

La mala noticia, dice, es que la mayoría no son notables, lo que hace que el desafío de encontrar gemas sea un problema de aguja en el pajar.

Los robots ya han ayudado.

Ahora se usan comúnmente para mezclar docenas de recetas ligeramente diferentes para un material, depositarlas en obleas individuales u otras plataformas, y luego procesarlas y probarlas simultáneamente.

Pero simplemente seguir una receta tras otra es una ruta lenta hacia un avance, dice Maruyama.

“El alto rendimiento es una forma de hacer muchos experimentos, pero no mucha innovación”.

Para acelerar el proceso, muchos equipos han agregado modelos informáticos para predecir la fórmula de gemas probables.

“Estamos viendo una avalancha de materiales interesantes provenientes de la predicción”, dice Kristin Persson, del Laboratorio Nacional Lawrence Berkeley (LBNL) en California, que dirige una empresa de predicción a gran escala conocida como el Proyecto de Materiales.

Pero esos sistemas todavía suelen depender de estudiantes graduados o científicos experimentados para evaluar los resultados de los experimentos y determinar cómo proceder.

Sin embargo, “la gente todavía necesita hacer cosas como dormir y comer”, dice Keith Brown, ingeniero mecánico de la Universidad de Boston (BU).

Entonces, al igual que Berlinguette, Brown y sus colegas construyeron un sistema de robótica impulsado por IA.

Su objetivo era encontrar las estructuras impresas en 3D más duras posibles.

La dureza proviene de una combinación de alta resistencia y ductilidad, y varía según los detalles de una estructura, incluso si el material en sí no cambia.

Brown dice que predecir qué forma será más dura no es factible. “Tienes que hacer el experimento“.

Como un caso de prueba, el equipo de BU se propuso hacer estructuras de plástico con forma de barril del tamaño de un salero.

Variaron el número de puntales que componen la pared exterior del barril y los detalles de la forma y orientación de cada puntal.

Probar todas las combinaciones posibles, alrededor de medio millón, no fue realista.

Entonces, inicialmente hicieron que sus robots fabricaran 600 estructuras que muestreaban la gama completa de opciones.

Luego, una especie de tornillo de banco apretó cada uno hasta que cedió.

Luego, el grupo agregó un algoritmo de toma de decisiones de IA que calculó el siguiente mejor diseño más probable después de cada prueba.

El programa detecta tendencias en atributos que confieren tenacidad, como el grosor y el radio de cada puntal, para predecir estructuras aún más resistentes.

“Básicamente encendimos la máquina y salimos por la puerta”, dice Brown.

Después de 24 horas y poco más de 60 diseños, el sistema impulsado por inteligencia artificial había tenido un barril más resistente que cualquiera de los diseños originales.

En la reunión de MRS se exhibieron muchos más esfuerzos de circuito cerrado.

Investigadores del Instituto de Tecnología de Massachusetts en Cambridge y LBNL han desarrollado independientemente sistemas autónomos para encontrar mejores fotovoltaicos de perovskita, materiales baratos y livianos que están preparados para revolucionar la energía solar.

Un equipo de la Universidad Carnegie Mellon en Pittsburgh, Pensilvania, informó que utilizaba otro sistema de inteligencia artificial para encontrar electrolitos que transportan cargas de forma más segura para las baterías de iones de litio, que ahora son propensas a incendiarse.

Y los investigadores de la Universidad de Liverpool en el Reino Unido han desarrollado un conjunto de robots impulsados ​​por IA para descubrir nuevos catalizadores para generar gas hidrógeno, un posible combustible libre de carbono, a partir del agua.

Pocos de estos proyectos han arrojado resultados exitosos, reconocen los investigadores.

Sin embargo, Maruyama dice: “Todavía es temprano”.

Un desafío es que los científicos de materiales a menudo no están de acuerdo sobre la mejor manera de relacionar la conductividad de un material u otras propiedades comprobables con su estructura, dice John Gregoire, físico del Instituto de Tecnología de California en Pasadena.

“Si no hemos descubierto cómo desglosar eso en la comunidad, es difícil imaginar cómo le enseñaremos a una computadora a hacerlo”, dice.

Otro problema es que cada equipo debe diseñar sus propios sistemas de robótica y software, ya que los estándares aún no han tomado forma.

“Todos están explorando diferentes formas de hacer esto”, dice Joshua Schrier, químico computacional de la Universidad de Fordham en la ciudad de Nueva York.

Eventualmente, la comunidad de materiales puede unirse en torno a un puñado de sistemas que pueden ser utilizados por una amplia franja de investigadores, dice Schrier.

“Durante el próximo año o dos creo que comenzaremos a ver cosas converger“.

Fuente: Science Mag