Geschlossen - Jiangmen Printer Inc.

James Tyrrell

@JT_bluebird1

Können Maschinen bessere Batterien herstellen? KI-Methoden mit geschlossenem Regelkreis beschleunigen den Prozess der Entdeckung von Gerätematerialien.

Künstliche Intelligenz (KI) verleiht verschiedenen Geschäftsanforderungen eine Art Magie – von der Öffnung des Zugangs zur Rechtsberatung des Unternehmens bis hin zur Vorhersage, welche Arten von Produkten Kunden kaufen möchten. Systeme werden bei der Bewältigung von Aufgaben am Arbeitsplatz immer leistungsfähiger, sodass sich einige Menschen fragen, ob KI unsere Jobs übernehmen wird. Aber nur wenige würden sich beschweren, wenn Maschinen bessere Batterien herstellen könnten, sodass Smartphones und andere tragbare Geräte zwischen den Ladevorgängen länger halten. Und hier setzen Closed-Loop-KI-Methoden mit Roboter-Laborassistenten Akzente.

Forscher in Japan haben ihre neuesten Ergebnisse in der Open-Access-Zeitschrift STAM Methods veröffentlicht und NIMS OS vorgestellt – eine Python-Bibliothek für die automatisierte Materialexploration. Das auf GitHub verfügbare Orchestrierungssystem verfügt über eine KI mit geschlossenem Regelkreis, die eine Vorschlagsdatei mit Materialkombinationen für Robotertests erstellt und dann auf der Grundlage dieser experimentellen Ergebnisse die vielversprechendsten Kandidaten verfeinert.

Wie das Team, dem Mitglieder des Center for Advanced Battery Collaboration und des Research Center for Energy and Environmental Materials angehören, die beide Teil des japanischen National Institute for Materials Science (NIMS) sind, erklärt, ist KI im geschlossenen Kreislauf der nächste Schritt auf dem Weg zu besseren Gebäuden Geräte.

„Roboterexperimente haben Fortschritte gemacht, um die Laborautomatisierung chemischer Analysen und Hochdurchsatz-Screenings im Bereich der Biologie zu realisieren“, schreiben die Forscher in ihrer Arbeit. „Darüber hinaus wurden viele Methoden zur Black-Box-Optimierung bei der Materialexploration vorgeschlagen, wie etwa genetische Algorithmen, Monte-Carlo-Baumsuche, Sampling bei seltenen Ereignissen und Algorithmen, die eine Ising-Maschine verwenden.“

Vertikal integrierte KI-Systeme mit geschlossenem Regelkreis sind die Zukunft der physischen Welt. Ich liebe diese Roboter-Unkrautvernichtungsmaschine. h/t @byjacobward pic.twitter.com/oASjG2STVH

— Aaron Slodov (@aphysicist) 12. Juni 2023

Closed-Loop-KI im Feld.

Die Kombination dieser Entwicklungen in einem geschlossenen KI-Ansatz zur Entdeckung neuartiger Materialien beschleunigt nicht nur die Suche nach besseren Batterien und Geräteelementen, sondern eliminiert auch menschliches Versagen bei der Erfassung experimenteller Ergebnisse.

NIMS OS unterteilt den Prozess in eine Reihe von Modulen, die entweder einzelne KI-Algorithmen oder Robotersysteme darstellen. Und Benutzer können die für ihre Materialforschungsprojekte erforderliche KI-Automatisierung mit geschlossenem Regelkreis entwickeln, indem sie Kombinationen aus den verschiedenen Softwaremodulen zusammenstellen.

Einer der am häufigsten verwendeten Ansätze des maschinellen Lernens in diesem Bereich ist die sogenannte Bayes'sche Optimierung (BO), ein statistischer Ansatz zur Optimierung von Designparametern. „Mit BO wurden verschiedene reale Materialien wie Li-Ionen-leitende Materialien, mehrschichtige Metamaterialien, Halogenid-Perowskit, Superlegierungen und Elektrolyte erforscht“, erklärt die NIMS OS-Gruppe.

Derzeit haben die Entwickler drei Arten von KI-Algorithmen, darunter BO, in ihrer Closed-Loop-KI-Plattform implementiert. Beispiele hierfür sind ein Python-Paket zur Erforschung dünner Filme und Polymere sowie ein Prädiktor zur Auswahl der nächsten Runde experimenteller Bedingungen, der auf einer zufälligen Waldregression basiert. Und um die Sache interessant zu halten, gibt es auch eine zufällige Erkundungsoption. Dies dient jedoch in erster Linie als Ausgangspunkt für die KI-Algorithmen, die – wenn der Roboter gesammelte experimentelle Ergebnisse akkumuliert – auf vielversprechende Materialkandidaten zusteuern sollen.

Auf der Hardwareseite der geschlossenen KI umfasst der Aufbau einen Liquid-Handling-Dispenser, eine elektrochemische Messeinheit und einen Roboterarm. Das Gerät soll eine Hochdurchsatzbewertung von Elektrolyten ermöglichen – beispielsweise um die Leistung von Lithiummetallelektroden in Batterien zu verbessern (ein Testszenario, das das Team zur Bewertung von NIMS OS verwendet).

Eine geschlossene KI-Erkennungssitzung verläuft von parallelen Experimenten, die durch zufällige Erkundung initiiert werden, bis hin zu Testzyklen, die sich auf Hunderte von Bewertungen summieren können – alle automatisch durchgeführt.

In ihrer Demonstration untersuchten die Forscher die optimale Kombination von 16 Elektrolytzusätzen und das Potenzial der Zusammensetzung zur Verbesserung der Batterieleistung – bewertet durch Messung der Entladezeit bei gegebener Stromdichte. Insgesamt wurden 384 Experimente durchgeführt, und die Ergebnisse spiegelten die Weisheit in der Welt der Batterietechnologie wider, was darauf hindeutet, dass das System in der Lage ist, einen glaubwürdigen Untersuchungspfad zu verfolgen.

Der nächste Schritt für das Team besteht darin, die Software um eine Vielzahl automatisierter Experimente zu erweitern, um die Anzahl der verschiedenen Systeme, die untersucht werden können, zu erweitern. Das aktuelle Setup zeigt jedoch bereits, wie die Batterieentwicklung mithilfe von Closed-Loop-KI-Methoden beschleunigt werden kann.

Und die Zukunft könnte sogar noch rosiger aussehen, dank der Quantencomputerarchitektur, die verspricht, die Suche nach verbesserten Gerätematerialien noch weiter zu beschleunigen. Die Hoffnung besteht darin, dass Quantencomputer, die aufgrund ihres Designs in der Lage sind, mehrere Lösungen gleichzeitig zu berücksichtigen, eine Alternative zu den aktuellen Untersuchungen im Trial-and-Error-Stil darstellen.

Normalerweise kann es zwischen 20 und 30 Jahre dauern, bis neuartige Materialien von der ersten Entdeckung auf den Markt gebracht werden. Und angesichts der Bedeutung fortschrittlicher Materialien in Schlüsselbereichen wie erneuerbaren Energien, einschließlich Batteriespeicherung, ist es leicht zu verstehen, warum Regierungen daran interessiert sind, einen kürzeren Weg vom Labor zu kommerziellen Geräten zu finden.

Im Jahr 2011 haben sich Regierungsbehörden in den USA zusammengeschlossen, um die sogenannte Materials Genome Initiative zu unterstützen – ein Programm mit dem ehrgeizigen Ziel, „moderne Materialien doppelt so schnell und zu einem Bruchteil der Kosten im Vergleich zu herkömmlichen Methoden zu entdecken, herzustellen und einzusetzen“. '

Im folgenden Jahrzehnt gab es Höhepunkte, aber es ist schwierig, neue Materialien für Milliarden von Smartphones, Laptops, Tablets und anderen unverzichtbaren Geräten zu finden. Darüber hinaus gibt es Umweltaspekte, die über die bloße Suche nach besserer Leistung hinausgehen – beispielsweise müssen neue Elektrolytzusätze dazu beitragen, die Recyclingfähigkeit der Batterien nicht zu beeinträchtigen.

Diese Überlegungen können jedoch als Ziele hinzugefügt und mithilfe automatisierter Ansätze wie der Closed-Loop-KI in die Parametersuche integriert werden. Die Schwierigkeit, Gerätematerialien zu finden, die alle Kriterien erfüllen, wird manchmal mit der Suche nach der Nadel im Heuhaufen verglichen.

Aber uns kann die Tatsache ermutigen, dass die Anzahl der uns zur Verfügung stehenden Tools zunimmt und automatisierte KI-Methoden – wie wir es in anderen Bereichen gesehen haben – hoch skalierbar sind und mehrere Hebel zur Steigerung der Produktivität bieten.

James Tyrrell

@JT_bluebird1

[email protected]

29. August 2023