伯克利實驗室開發AutoBot平臺加速先進材料發現

由美國能源部勞倫斯伯克利國家實驗室（伯克利實驗室）領導的一個研究小組建立并成功演示了一個自動化實驗平臺，以優化先進材料的制造。這個名為AutoBot的平臺使用機器學習算法來指導機器人設備快速合成和表征材料（用來揭示或記錄材料內部結構、性能、缺陷等信息的“樣品”或“試樣”）。算法根據對表征結果的分析自動優化實驗。

研究人員用一種名為金屬鹵化物鈣鈦礦的新興材料測試了該平臺，該材料有望用于發光二極管（LED）、激光器和光電探測器等應用。AutoBot僅用了幾周時間就探索了制造參數的多種組合，以找到產生最高質量材料的組合。

根據具有超快學習率的機器學習算法，AutoBot只需要對5000種組合中的1%進行實驗采樣，就可以找到這個“最佳點”。采用傳統的試錯法，研究人員在以往經驗和直覺的指導下，一次手動測試一組參數，這一過程需要長達一年的時間。

伯克利實驗室科學家、該研究的通訊作者之一Carolin Sutter Fella說：“AutoBot代表了材料探索和優化的范式轉變?！薄巴ㄟ^將合成、表征、機器人和機器學習功能集成在一個平臺上，AutoBot大大加快了篩選合成配方的過程。其快速學習方法是建立自主優化實驗室的重要一步，可以擴展到各種材料和設備?！?/p>

位于伯克利實驗室的能源部科學用戶設施辦公室Molecular Foundry的科學家構思了AutoBot的想法，在商業機器人平臺上進行了擴展，并實施了數據處理、分析和機器學習基礎設施的解決方案。該多學科團隊包括來自華盛頓大學、內華達大學、加州大學戴維斯分校、加州大學伯克利分校和埃爾朗根-紐倫堡大學的研究人員。科學家們在《先進能源材料》雜志上報告了他們的工作。

迭代學習循環

由于金屬鹵化物鈣鈦礦對濕度極為敏感，因此需要嚴格的空氣控制來制造高質量的薄膜。因此，成本效益高、工業規模的制造難以實施。該團隊使用AutoBot確定了在較高濕度環境中生產高質量薄膜材料的合成條件，解決了大規模生產的關鍵障礙。

AutoBot重復一系列任務，同時根據結果分析自動調整任務。這個迭代學習循環包括四個主要步驟：

1、AutoBot從化學前驅體溶液中合成了鹵化物鈣鈦礦薄膜，改變了四個合成參數——用結晶劑處理溶液的時間；加熱溫度；加熱持續時間；以及膜沉積室中的相對濕度。

2、平臺用三種技術表征樣品：測量有多少紫外線和可見光穿過樣品（紫外-可見光譜）；將光照射在它們上并測量發射的光（光致發光光譜）；以及使用發射的光來生成樣品的圖像以評估薄膜均勻性（光致發光成像）。

3、數據工作流程從表征結果中提取信息，經分析與整合，生成一個綜合評分，用以反映薄膜質量。

4、基于這些分數，機器學習算法模擬了合成參數與薄膜質量之間的關系，并決定了下一步的實驗。這些決策的目的是評估信息量最大的參數組合，以最大限度地提高每次迭代的信息增益。這使得對所有參數組合的薄膜材料質量進行高效、準確的預測成為可能。

超快速學習

AutoBot發現，通過仔細調整其他三個合成參數，可以在5%至25%的相對濕度水平下合成高質量的薄膜。

伯克利實驗室博士后研究員、該研究論文的共同第一作者Ansuman Halder說：“這個濕度范圍不需要嚴格的環境控制?！薄斑@一發現為商業制造設施的發展奠定了重要基礎?！?/p>

另一個發現是，在沉積過程中，濕度超過25%會使材料不穩定，導致薄膜質量差。該團隊通過在薄膜合成過程中手動執行光致發光光譜來解釋和驗證這一發現。

AutoBot的表現令人印象深刻。通過識別信息量最大的實驗，算法迅速了解了合成參數如何影響薄膜質量。

伯克利實驗室博士后學者、共同第一作者Maher Alghalayini說：“在AutoBot對5000多個參數組合中的不到1%進行采樣后，算法的學習率急劇下降，這證明了這種強大的性能?！薄坝捎谛碌膶嶒炘谶@一點上沒有改變算法的材料質量預測，我們決定停止進行實驗。”

該研究的另一個創新方面是“多模態數據融合”。這涉及使用各種數據科學和數學工具，將來自三種表征技術的不同數據集和圖像整合到一個單一的材料質量指標中。這個想法是量化結果，以便機器學習算法可以使用。例如，華盛頓大學的合作者設計了一種方法，根據光強度在圖像中的變化將光致發光圖像轉換為單個數字。

與Ai時代前沿合作，將大門向更多普通用戶敞開！無論你是對新技術充滿好奇心的愛好者，還是希望提升自己技能的職場人士，這里都有適合你的課程和資源。