Un laboratorio autónomo para la síntesis acelerada de nuevos materiales

Área de la Ciencia:

• Ciencias de los materiales
• Química
• La robótica
• Inteligencia artificial

Sus antecedentes:

• Cerrar la brecha entre la selección de materiales computacionales y la síntesis experimental es crucial para acelerar el descubrimiento de materiales.
• Los métodos tradicionales son a menudo lentos, lo que limita la velocidad a la que se pueden realizar y validar nuevos materiales.

Objetivo del estudio:

• Introducir un laboratorio autónomo, el A-Lab, diseñado para la síntesis en estado sólido de alto rendimiento de materiales inorgánicos.
• Demostrar la eficacia de la integración de la computación, el aprendizaje automático y la robótica para el descubrimiento autónomo de materiales.

Principales métodos:

• La plataforma A-Lab utiliza una combinación de predicciones computacionales, datos de la literatura, aprendizaje automático (ML) y aprendizaje activo.
• La robótica realiza experimentos automatizados de síntesis de estado sólido, guiados por la IA en la planificación e interpretación.
• Los modelos de lenguaje natural entrenados en la literatura científica proponen recetas de síntesis, optimizadas a través del aprendizaje activo y los principios termodinámicos.

Principales resultados:

• Durante 17 días, el A-Lab sintetizó con éxito 41 nuevos compuestos inorgánicos de 58 objetivos.
• Los materiales identificados incluyen varios óxidos y fosfatos, seleccionados utilizando datos de estabilidad de fase ab initio.
• La plataforma logró una alta tasa de éxito, mostrando el potencial del descubrimiento autónomo impulsado por IA.

Conclusiones:

• La plataforma A-Lab acelera significativamente la realización de nuevos materiales, cerrando la brecha entre la predicción computacional y la síntesis experimental.
• El análisis de los resultados de la síntesis proporciona información útil para mejorar las técnicas de selección y diseño de materiales.
• Las plataformas autónomas impulsadas por IA representan un poderoso paradigma para el descubrimiento de materiales futuros, integrando diversas fuentes de datos y experimentación automatizada.