Autobot: Platforma wykorzystująca uczenie maszynowe do tworzenia zaawansowanych materiałów

Zespołowi badaczy z Lawrence Berkeley National Laboratory udało się zbudować i z powodzeniem zademonstrować działanie zautomatyzowanej platformy eksperymentalnej, której zadaniem jest optymalizacja wytwarzania zaawansowanych materiałów. Platforma, nazwana AutoBot, wykorzystuje algorytmy uczenia maszynowego do sterowania urządzeniami robotycznymi, które szybko syntetyzują i charakteryzują materiały. Algorytmy automatycznie dostosowują parametry eksperymentów na podstawie analizy wyników.

Platformę przetestowano na nowej klasie materiałów zwanych perowskitami halogenkowych metali, które wykazują potencjał w zastosowaniach takich jak diody elektroluminescencyjne (LED), lasery i fotodetektory. AutoBot potrzebował zaledwie kilku tygodni, aby zbadać liczne kombinacje parametrów wytwarzania i znaleźć te, które dają materiały najwyższej jakości.

Dzięki algorytmom uczenia maszynowego o wysokiej szybkości uczenia się, AutoBot potrzebował eksperymentalnie przetestować zaledwie 1% z 5000 kombinacji, aby znaleźć optymalne parametry. Przy tradycyjnym podejściu, opartym na próbach i błędach, gdzie naukowcy ręcznie testują jeden zestaw parametrów na raz, kierując się wcześniejszym doświadczeniem i intuicją, proces ten trwałby nawet rok.

„AutoBot stanowi zmianę paradygmatu w eksploracji i optymalizacji materiałów” – powiedziała Carolin Sutter-Fella, naukowiec z Berkeley Lab i jedna z autorek badania. „Dzięki integracji syntezy, charakteryzacji, robotyki i uczenia maszynowego w jednej platformie, AutoBot radykalnie przyspiesza proces przesiewania receptur syntezy. Jego szybkie uczenie się to znaczący krok w kierunku tworzenia autonomicznych laboratoriów optymalizacyjnych i może być rozszerzony na szeroką gamę materiałów i urządzeń.”

Naukowcy z Molecular Foundry – jednostki Departamentu Energii Stanów Zjednoczonych – opracowali koncepcję AutoBota, rozbudowali komercyjną platformę robotyczną i wdrożyli rozwiązania do przetwarzania danych, analizy i infrastruktury uczenia maszynowego.

Wielodyscyplinarny zespół obejmował naukowców z University of Washington, University of Nevada, University of California–Davis, University of California–Berkeley i Friedrich-Alexander-Universität Erlangen–Nürnberg.

Perowskity halogenkowych metali są wyjątkowo wrażliwe na wilgoć, dlatego do wytwarzania wysokiej jakości cienkich warstw wymagana jest ścisła kontrola atmosfery. W rezultacie wdrożenie ekonomicznej produkcji na skalę przemysłową jest trudne. Zespół wykorzystał AutoBota do identyfikacji warunków syntezy, które mogą wytwarzać dobrej jakości materiały cienkowarstwowe w środowiskach o wyższej wilgotności, co stanowi kluczową barierę dla produkcji na dużą skalę.

AutoBot powtarzał serię zadań, automatycznie dostosowując je na podstawie analizy wyników. Ta iteracyjna pętla uczenia przebiegała następująco:

1. AutoBot syntetyzował warstwy perowskitów halogenkowych z roztworów prekursorów chemicznych, zmieniając cztery parametry syntezy: czas traktowania roztworów środkiem krystalizującym, temperaturę ogrzewania, czas trwania ogrzewania i wilgotność względną w komorze osadzania warstw.
2. Platforma charakteryzowała próbki za pomocą trzech technik: pomiaru ilości światła ultrafioletowego i widzialnego przechodzącego przez próbki (spektroskopia UV-Vis); naświetlania ich światłem i pomiaru emitowanego światła (spektroskopia fotoluminescencyjna); oraz wykorzystania emitowanego światła do generowania obrazów próbek w celu oceny jednorodności cienkich warstw (obrazowanie fotoluminescencyjne).
3. Workflow danych wydobywał informacje z wyników charakteryzacji, analizując i łącząc dane w jeden wynik reprezentujący jakość warstw.
4. Na podstawie tych wyników algorytmy uczenia maszynowego modelowały zależność między parametrami syntezy a jakością warstw i decydowały o kolejnych eksperymentach. Decyzje te podejmowano w celu oceny najbardziej informatywnych kombinacji parametrów, aby zmaksymalizować przyrost informacji z każdą iteracją. Umożliwiło to wydajne i dokładne przewidywanie jakości materiału cienkowarstwowego dla wszystkich kombinacji parametrów.

AutoBot odkrył, że wysokiej jakości warstwy można syntetyzować przy wilgotności względnej od 5% do 25% poprzez staranne dostrojenie pozostałych trzech parametrów syntezy.

„Ten zakres wilgotności nie wymaga ścisłej kontroli środowiska” – powiedział Ansuman Halder, pracownik naukowy Berkeley Lab i współautor artykułu. „To odkrycie stanowi ważny fundament dla rozwoju komercyjnych zakładów produkcyjnych.”

Innym spostrzeżeniem było to, że poziomy wilgotności powyżej 25% destabilizowały materiał podczas procesu osadzania, powodując niską jakość warstwy. Zespół wyjaśnił i zweryfikował to odkrycie, ręcznie wykonując spektroskopię fotoluminescencyjną podczas syntezy warstwy.

Wydajność AutoBota była imponująca. Identyfikując najbardziej informatywne eksperymenty, algorytmy szybko nauczyły się, jak parametry syntezy wpływają na jakość warstwy.

„Tę wysoką wydajność wykazał gwałtowny spadek tempa uczenia się algorytmów po tym, jak AutoBot przetestował mniej niż 1% z ponad 5000 kombinacji parametrów” – powiedział Maher Alghalayini, stypendysta z Berkeley Lab i współautor. „Ponieważ nowe eksperymenty nie zmieniały przewidywań algorytmów dotyczących jakości materiału w tym momencie, zdecydowaliśmy się zaprzestać przeprowadzania eksperymentów”.

Innowacyjnym aspektem badania było „łączenie danych multimodalnych”. Obejmowało to wykorzystanie różnych narzędzi nauki o danych i narzędzi matematycznych do integracji rozproszonych zbiorów danych i obrazów z trzech technik charakteryzacji w jedną metrykę jakości materiału. Chodziło o kwantyfikację wyników, aby były użyteczne dla algorytmów uczenia maszynowego. Na przykład współpracownicy z University of Washington zaprojektowali podejście do konwersji obrazów fotoluminescencyjnych na pojedynczą liczbę na podstawie tego, jak natężenie światła zmieniało się na obrazach.