211service.com
En robotforsker vil finne nye materialer for å fremme databehandling og bekjempe forurensning
Ms. Tech
I et laboratorium med utsikt over en travel handlegate i Cambridge, Massachusetts, prøver en robot å lage nye materialer.
En robotarm dypper en pipette i en tallerken og overfører en liten mengde lys væske til en av mange beholdere som sitter foran en annen maskin. Når alle prøvene er klare, tester den andre maskinen deres optiske egenskaper, og resultatene mates til en datamaskin som kontrollerer armen. Programvare analyserer resultatene av disse eksperimentene, formulerer noen hypoteser og starter prosessen på nytt. Mennesker er knapt nødvendig.
Oppsettet, utviklet av en oppstart kalt Kebotix , hint om hvordan maskinlæring og robotautomatisering kan være klar til å revolusjonere materialvitenskap i årene som kommer. Selskapet tror det kan finne nye forbindelser som blant annet kan absorbere forurensning, bekjempe medikamentresistente soppinfeksjoner og tjene som mer effektive optoelektroniske komponenter. Selskapets programvare lærer av 3D-modeller av molekyler med kjente egenskaper.
Programvarealgoritmer brukes allerede til å designe kjemiske forbindelser og materialer, men prosessen er langsom og grov. Vanligvis tester en maskin ganske enkelt små variasjoner av et materiale, blindt på jakt etter en levedyktig ny skapelse. Maskinlæring og robotikk kan gjøre prosessen mye raskere og mer effektiv. Kebotix er en av flere startups som jobber med denne ideen.
Målet er å bruke maskinlæring for å generere kandidatmateriale. Oppdagelsen går for sakte, sier Jill Becker, administrerende direktør i Kebotix. Du har en idé til et materiale, du prøver å lage det, og du tester det. Få ideer blir testet, med enda færre resultater.
Grunnleggerne av Kebotix: Alán Aspuru-Guzik, Dennis Sheberla, Jill Becker, Semion Saikin og Christoph Kreisbeck. Med tillatelse fra Kebotix
Kebotix bruker flere maskinlæringsmetoder for å designe nye kjemiske forbindelser. Selskapet mater molekylære modeller av forbindelser med ønskelige egenskaper inn i en type nevrale nettverk som lærer en statistisk representasjon av disse egenskapene. Denne algoritmen kan så komme med nye eksempler som passer til samme modell.
Kebotix bruker også et annet nettverk for å luke ut design som avviker for langt fra originalen og derfor sannsynligvis vil være ubrukelig. Deretter tester selskapets robotsystem de gjenværende kjemiske strukturene. Resultatene av disse eksperimentene kan føres tilbake til maskinlæringsrørledningen, og hjelpe den med å komme nærmere de ønskede kjemiske egenskapene. Selskapet kaller det overordnede systemet et selvkjørende laboratorium.
Christoph Kreisbeck, selskapets produktsjef, sier at Kebotix vil begynne å jobbe med molekyler for elektroniske applikasjoner og deretter prøve å takle nye polymerer og legeringer.
AI forutsier og planlegger hva som skal gjøres videre; robotautomatiseringssystemet tester veldig raskt vårt nye molekyl, sier Kreisbeck. Maskinen kan lære av databasen og ta en bedre beslutning for neste runde.
Kebotix ble grunnlagt av forskere som arbeider i Harvard-laboratoriet i Alan Aspuru-Guzik , som forlot Harvard tidligere i år for å bygge på laboratoriet ved University of Toronto i Canada. Kebotix, som er basert på MITs VC-firma Motoren , mottok nylig 5 millioner dollar i startfinansiering. Investeringsrunden ble ledet av One Way Ventures , et investeringsselskap som spesialiserer seg på å finansiere innvandrergründere. Alle grunnleggerne av Kebotix er innvandrere til USA.
Klavs Jensen , en professor i MITs kjemiske ingeniøravdeling, leder et laboratorium som utvikler automatiserte tilnærminger for å utvikle nyttige nye kjemikalier, inkludert metoder som kombinerer maskinlæring og robotikk. Han sier at fangsten er at slike metoder har en tendens til å kreve enorme mengder data, som generelt er tidkrevende og vanskelig å samle inn. Dette blir også mer utfordrende ettersom materialene blir mer kompliserte. Man kan definitivt gjøre mye, sier Jensen. Men som alt annet handler det om kvaliteten på dataene.
Jensen sier at automatisering, som allerede er vanlig i farmasøytisk industri, vil bli stadig viktigere innen materialforskning. Det vil ikke erstatte eksperten, sier han, men du vil kunne gjøre ting mye raskere.