Menggunakan Otomasi untuk Merevolusi Pencarian Material

CASH yang menggabungkan pembelajaran mesin, robotika, dan data besar menunjukkan potensi luar biasa dalam ilmu material. Hanya karena koevolusi dengan teknologi seperti itulah peneliti masa depan dapat mengerjakan penelitian yang lebih kreatif, yang mengarah pada percepatan penelitian dalam ilmu material. Kredit: Tokyo Tech

Inti dari banyak ilmuwan masa lalu adalah penemuan material baru. Namun, siklus sintesis, pengujian, dan pengoptimalan materi baru secara rutin membutuhkan kerja keras para ilmuwan selama berjam-jam. Karena itu, banyak bahan yang berpotensi berguna dengan sifat eksotis belum ditemukan. Tapi bagaimana jika kita bisa mengotomatiskan seluruh proses pengembangan materi baru dengan robotika dan kecerdasan buatan, membuatnya jauh lebih cepat?

Dalam studi terbaru yang diterbitkan di Bahan APL, ilmuwan dari Institut Teknologi Tokyo (Tokyo Tech), Jepang, yang dipimpin oleh Associate Professor Ryota Shimizu dan Profesor Taro Hitosugi, telah menyusun strategi yang dapat membuat pencarian bahan yang sepenuhnya otonom menjadi kenyataan. Karyanya berpusat di sekitar ide revolusioner peralatan laboratorium yaitu “CASH” (Connected, Autonomous, Common, High-throughput). Dengan penerapan CASH di laboratorium bahan, peneliti hanya perlu memutuskan sifat bahan mana yang mereka inginkan untuk dioptimalkan dan memberi makan sistem bahan yang diperlukan; sistem otomatis kemudian mengambil kendali dan menyiapkan serta menguji senyawa baru berulang kali hingga menemukan senyawa terbaik. Dengan menggunakan algoritme pembelajaran mesin, sistem dapat menggunakan pengetahuan sebelumnya untuk memutuskan cara mengubah kondisi sintesis agar mendekati hasil yang diinginkan di setiap siklus.

Untuk mendemonstrasikan bahwa CASH adalah strategi yang layak dalam pencarian material solid-state, Associate Professor Shimizu dan tim telah membuat sistem pengujian konsep yang mencakup lengan robot yang dikelilingi oleh beberapa modul. Penerapannya ditujukan untuk meminimalkan hambatan listrik dari lapisan tipis titanium dioksida dengan memperbaiki kondisi pengendapan. Oleh karena itu, modul adalah alat deposisi sputter dan alat untuk mengukur tahanan. Lengan robotik mentransfer sampel dari modul ke modul sesuai kebutuhan, dan sistem secara otonom memprediksi parameter sintesis untuk iterasi berikutnya berdasarkan data sebelumnya. Untuk prediksi, mereka menggunakan algoritma optimasi Bayesian.

Anehnya, konfigurasi CASH-nya mampu menghasilkan dan menguji sekitar dua belas sampel per hari, peningkatan aliran sepuluh kali lipat dibandingkan dengan yang dapat diperoleh para ilmuwan secara manual di laboratorium konvensional. Selain peningkatan kecepatan yang signifikan ini, salah satu keuntungan utama dari strategi CASH adalah kemampuan untuk membuat database umum yang sangat besar yang menggambarkan bagaimana properti material bervariasi sesuai dengan kondisi sintesis. Dalam pengertian ini, Profesor Hitosugi berkomentar: “Saat ini, database zat dan propertinya tetap tidak lengkap. Dengan pendekatan CASH, kami dapat dengan mudah menyelesaikannya dan kemudian menemukan properti material yang tersembunyi, yang mengarah pada penemuan hukum fisika baru dan menghasilkan wawasan dengan analisis statistik. ”

Tim peneliti percaya bahwa pendekatan CASH akan membawa revolusi dalam ilmu material. Database yang dihasilkan dengan cepat dan mudah oleh sistem CASH akan digabungkan menjadi big data dan para ilmuwan akan menggunakan algoritme canggih untuk memprosesnya dan mengekstrak ekspresi yang dapat digunakan manusia. Namun, seperti yang dicatat Profesor Hitosugi, pembelajaran mesin dan robotika saja tidak dapat menemukan intuisi atau menemukan konsep dalam fisika dan kimia. “Pembentukan materi masa depan yang harus dikembangkan oleh para ilmuwan; mereka perlu memahami pemelajaran mesin apa yang dapat memecahkan dan mengatur masalah sesuai. Kekuatan peneliti manusia terletak pada penciptaan konsep atau identifikasi masalah dalam masyarakat. Menggabungkan kekuatan ini dengan pembelajaran mesin dan robotika sangat penting, ”katanya.

Secara keseluruhan, artikel perspektif ini menyoroti manfaat luar biasa yang dapat diberikan otomasi bagi ilmu material. Jika beban keterampilan repetitif diangkat dari pundak peneliti, mereka akan dapat lebih fokus untuk menemukan rahasia dunia material untuk kepentingan umat manusia.

Referensi: “Sintesis Material Otonom untuk Pembelajaran Mesin dan Robot” oleh Ryota Shimizu, Shigeru Kobayashi, Yuki Watanabe, Yasunobu Ando dan Taro Hitosugi, 18 November 2020, Bahan APL.
DOI: 10.1063 / 5.0020370

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Ada lebih banyak genetika daripada DNA

Ahli biologi di Inggris dan Austria telah mengidentifikasi 71 gen baru pada tikus. Ahli biologi di Universitas Bath dan Wina telah menemukan 71 gen baru...

Untuk mencegah kelaparan, adaptasi iklim membutuhkan miliaran investasi tahunan tambahan

Investasi dalam penelitian pertanian, pengelolaan air, infrastruktur dapat mencegah pertumbuhan kelaparan yang disebabkan oleh iklim. Untuk mencegah dampak perubahan iklim pada tahun 2050, yang memaksa...

Teknologi Ultra Tipis Canggih untuk Merevolusi Penglihatan Malam – “Kami Membuat Yang Tak Terlihat Terlihat”

Dr. Rocio Camacho Morales mengatakan para peneliti membuatnya "tidak terlihat, terlihat." Kredit: Jamie Kidston, Universitas Nasional Australia Biar ringan! Film ultra-tipis suatu hari...

Maju dalam dekomposisi CO2 dengan efisiensi tinggi

ARA. 1: Metode sintesis fotokatalis tiga komponen baru. Sebuah nanotube karbon enkapsulasi molekul yodium direndam dalam larutan perak nitrat (AgNO3) berair untuk menghasilkan...

Satelit Terkemuka di Lautan – Copernicus Sentinel-6 – Hidup!

Copernicus Sentinel-6 menggunakan mode inovatif yang diselingi dengan altimeter radar frekuensi ganda Poseidon-4 (C- dan Ku-band), yang telah meningkatkan kinerja dibandingkan dengan desain altimeter...

Newsletter

Subscribe to stay updated.