Американские химики создали лабораторию с искусственным интеллектом, которая может самостоятельно находить и улучшать многоэтапные схемы синтеза новых и существующих материалов. В ходе демонстрации система на основе нейронной сети нашла более эффективный способ производства полупроводниковых нанокристаллов для оптических приборов.
Многоступенчатый синтез химических соединений — это действительно трудоемкий научный поиск. Для разработки нового материала или оптимизации метода синтеза одного вещества может потребоваться работа десятков специалистов в течение многих лет. Ученые сталкиваются с проблемой размерности: чем больше стадий и реагентов в реакции, тем экспоненциально больше времени уходит на перебор всех возможных параметров — комбинаций и соотношений объемов и концентраций реагентов, времени их взаимодействия и так далее.
Исследования активно направлены на применение методов машинного обучения с автоматизированным проведением экспериментов в химии и материаловедении, что привело к созданию «самоуправляемых лабораторий». Эти системы, управляемые нейросетевыми алгоритмами, способны исследовать и решать задачи химии и материаловедения с большой скоростью и эффективностью. Нейронные сети обрабатывают данные предыдущих экспериментов и выбирают оптимальные параметры для проведения следующего эксперимента.
Ранее разработанные концепции SDL, например целые лабораторные помещения с робототехникой и микрожидкостными реакционными системами, пригодны для решения задач в хорошо изученных условиях ограниченного пространства параметров. Для широкого распространения SDL технологии должны преодолеть два основных барьера при работе со сложными многостадийными химическими процессами: проблему размерности и нехватку данных.
Американские учёные из Университета штата Северная Каролина и Университета Буффало постарались преодолеть эти сложности, создав AlphaFlow — систему SDL с управлением нейронной сети, обучающейся методом обучения с подкреплением. В состав AlphaFlow входят модульные блоки обработки жидкости — высокоэффективные проточные микрофлюидные реакторы. Подробное описание своей разработки учёные представили в статье. опубликованной в журнале Nature Communications.
Авторы утверждают, что AlphaFlow способна самостоятельно исследовать, обучаться и оптимизировать многоступенчатые реакции с сложностью пространства параметров более 40 измерений. В отличие от прежних хемоинформатических и ретросинтетических методов планирования экспериментов, AlphaFlow может действовать автономно. В качестве примера возможностей AlphaFlow система изучила и оптимизировала последовательность реакций для синтеза квантовых точек с ядром из селенида кадмия и оболочкой из сульфида кадмия без предварительной подготовки или знаний о правильной очередности добавления реагентов.
Мы продемонстрировали, что AlphaFlow способен проводить больше экспериментов, чем 100 химиков за тот же период времени, расходуя при этом менее 0,01% соответствующих веществ.
Эта платформа эффективно миниатюризирует и ускоряет экспериментальные процедуры, выполняя те же лабораторные операции, для которых потребовалась бы целая лаборатория экспериментальной химии.
И все это на платформе размером с чемодан. «Чрезвычайно эффективно», — подчеркнул последний автор статьи Милад Абольхасани. Milad AbolhasaniДоктор, профессор кафедры химической и биомолекулярной инженерии в Университете штата Северная Каролина.
AlphaFlow с открытым исходным кодом, потому что учёные считают важным делиться качественными, воспроизводимыми и стандартизированными экспериментальными данными — как успешными, так и неуспешными.
В настоящее время учёные ищут коллег как среди специалистов науки, так и в частной сфере, с целью применения AlphaFlow к разнообразию химических проблем.