Los campos de la química y la ciencia de materiales están experimentando un aumento de interés en los “laboratorios autónomos”, que utilizan inteligencia artificial (IA) y sistemas automatizados para acelerar la investigación y el descubrimiento. Los investigadores ahora proponen un conjunto de definiciones y métricas de rendimiento que permitirán a los investigadores, no expertos y futuros usuarios comprender mejor qué están haciendo estas nuevas tecnologías y cómo se está desempeñando cada tecnología en comparación con otros laboratorios de conducción autónoma.

Los laboratorios autónomos son muy prometedores para acelerar el descubrimiento de nuevas moléculas, materiales y procesos de fabricación, con aplicaciones que van desde dispositivos electrónicos hasta productos farmacéuticos. Si bien las tecnologías aún son bastante nuevas, se ha demostrado que algunas reducen el tiempo necesario para identificar nuevos materiales de meses o años a días.

“Los laboratorios autónomos están atrayendo mucha atención en este momento, pero hay muchas preguntas pendientes con respecto a estas tecnologías”, dice Milad Abolhasani, autor correspondiente de un artículo sobre las nuevas métricas y profesor asociado de ingeniería química y biomolecular. en la Universidad Estatal de Carolina del Norte.

“Esta tecnología se describe como ‘autónoma’, pero diferentes equipos de investigación definen ‘autónomo’ de manera diferente. Del mismo modo, diferentes equipos de investigación informan diferentes elementos de su trabajo de diferentes maneras. Esto hace que sea difícil comparar estas tecnologías con unos de otros, y la comparación es importante si queremos poder aprender unos de otros e impulsar el campo hacia adelante.

“¿Qué hace realmente bien el Laboratorio de conducción autónoma A? ¿Cómo podríamos utilizar eso para mejorar el rendimiento del Laboratorio de conducción autónoma B? Proponemos un conjunto de definiciones compartidas y métricas de rendimiento, que esperamos sean adoptadas por todos los que trabajan “En este espacio. El objetivo final será permitirnos a todos aprender unos de otros y avanzar en estas poderosas tecnologías de aceleración de la investigación”.

“Por ejemplo, parece que estamos viendo algunos desafíos en los laboratorios de conducción autónoma relacionados con el rendimiento, la precisión y la robustez de algunos sistemas autónomos”, afirma Abolhasani.

“Esto plantea dudas sobre cuán útiles pueden ser estas tecnologías. Si tenemos métricas estandarizadas e informes de resultados, podemos identificar estos desafíos y comprender mejor cómo abordarlos”.

En el centro de la nueva propuesta hay una definición clara de laboratorios autónomos y siete métricas de rendimiento propuestas, que los investigadores incluirían en cualquier trabajo publicado relacionado con sus laboratorios autónomos.

• Grado de autonomía: ¿cuánta orientación necesita un sistema por parte de los usuarios?
• Vida operativa: ¿cuánto tiempo puede funcionar el sistema sin la intervención de los usuarios?
• Rendimiento: ¿cuánto tiempo le toma al sistema ejecutar un solo experimento?
• Precisión experimental: ¿qué tan reproducibles son los resultados del sistema?
• Uso de materiales: ¿cuál es la cantidad total de materiales utilizados por un sistema para cada experimento?
• Espacio de parámetros accesible: ¿hasta qué punto puede el sistema dar cuenta de todas las variables en cada experimento?
• Eficiencia de optimización.

“La eficiencia de la optimización es una de las métricas más importantes, pero también una de las más complejas: no se presta a una definición concisa”, dice Abolhasani. “Esencialmente, queremos que los investigadores analicen cuantitativamente el rendimiento de su laboratorio autónomo y su algoritmo de selección de experimentos comparándolo con una línea de base, por ejemplo, un muestreo aleatorio.

“En última instancia, creemos que tener un enfoque estandarizado para informar sobre laboratorios autónomos ayudará a garantizar que este campo produzca resultados confiables y reproducibles que aprovechen al máximo los programas de inteligencia artificial que aprovechan los grandes conjuntos de datos de alta calidad producidos por los propios laboratorios . -laboratorios de conducción “, afirma Abolhasani.

El artículo, ” Métricas de rendimiento para liberar el poder de los laboratorios autónomos en química y ciencia de materiales “, se publica en acceso abierto en la revista Nature Communications .

Fuente: phys.org