La nueva plataforma “CRESt” podría ayudar a encontrar soluciones a problemas energéticos del mundo real que han afectado a la comunidad de ingeniería y ciencia de materiales durante décadas.
Los modelos de aprendizaje automático pueden acelerar el descubrimiento de nuevos materiales mediante predicciones y sugerencias de experimentos. Sin embargo, la mayoría de los modelos actuales solo consideran unos pocos tipos específicos de datos o variables. Comparemos esto con los científicos humanos, que trabajan en un entorno colaborativo y consideran los resultados experimentales, la literatura científica más amplia, el análisis de imágenes y estructural, la experiencia o intuición personal, y las aportaciones de colegas y revisores externos.
Ahora, investigadores del MIT han desarrollado un método para optimizar recetas de materiales y planificar experimentos que incorpora información de diversas fuentes, como información bibliográfica, composiciones químicas, imágenes microestructurales y más. Este enfoque forma parte de una nueva plataforma, denominada Copilot for Real-world Experimental Scientists (CRESt), que también utiliza equipos robóticos para realizar pruebas de materiales de alto rendimiento, cuyos resultados se incorporan a grandes modelos multimodales para optimizar aún más las recetas de materiales.
Los investigadores humanos pueden comunicarse con el sistema en lenguaje natural, sin necesidad de codificación, y el sistema formula sus propias observaciones y hipótesis sobre la marcha. Las cámaras y los modelos de lenguaje visual también permiten al sistema supervisar experimentos, detectar problemas y sugerir correcciones.
“En el campo de la IA aplicada a la ciencia, la clave reside en diseñar nuevos experimentos”, afirma Ju Li, profesor de Ingeniería Energética Carl Richard Soderberg de la Escuela de Ingeniería. “Utilizamos retroalimentación multimodal —por ejemplo, información de la literatura previa sobre el comportamiento del paladio en celdas de combustible a esta temperatura, y retroalimentación humana— para complementar los datos experimentales y diseñar nuevos experimentos. También utilizamos robots para sintetizar y caracterizar la estructura del material y para evaluar su rendimiento”.
El sistema se describe en un artículo publicado en Nature . Los investigadores utilizaron CRESt para explorar más de 900 químicas y realizar 3500 pruebas electroquímicas, lo que condujo al descubrimiento de un material catalizador que proporcionaba una densidad de potencia récord en una pila de combustible que funciona con sal de formiato para producir electricidad.
Junto a Li en el artículo como primeros autores están el estudiante de doctorado Zhen Zhang, Zhichu Ren PhD ’24, el estudiante de doctorado Chia-Wei Hsu y el posdoctorado Weibin Chen. Sus coautores son el profesor asistente del MIT Iwnetim Abate; el profesor asociado Pulkit Agrawal; el profesor de ingeniería JR East Yang Shao-Horn; el investigador de MIT.nano Aubrey Penn; Zhang-Wei Hong PhD ’25, Hongbin Xu PhD ’25; Daniel Zheng PhD ’25; los estudiantes de posgrado del MIT Shuhan Miao y Hugh Smith; los posdoctorados del MIT Yimeng Huang, Weiyin Chen, Yungsheng Tian, Yifan Gao y Yaoshen Niu; el ex posdoctorado del MIT Sipei Li; y colaboradores incluidos Chi-Feng Lee, Yu-Cheng Shao, Hsiao-Tsu Wang y Ying-Rui Lu.
Un sistema más inteligente
Los experimentos de ciencia de materiales pueden ser largos y costosos. Requieren que los investigadores diseñen cuidadosamente los flujos de trabajo, creen nuevos materiales y realicen una serie de pruebas y análisis para comprender qué sucedió. Estos resultados se utilizan para decidir cómo mejorar el material.
Para mejorar el proceso, algunos investigadores han recurrido a una estrategia de aprendizaje automático conocida como aprendizaje activo para utilizar eficientemente datos experimentales previos y explorarlos o explotarlos. Combinado con una técnica estadística conocida como optimización bayesiana (OB), el aprendizaje activo ha ayudado a los investigadores a identificar nuevos materiales para aplicaciones como baterías y semiconductores avanzados.
“La optimización bayesiana es como Netflix, que te recomienda la próxima película según tu historial de visualizaciones, solo que te recomienda el siguiente experimento”, explica Li. “Pero la optimización bayesiana básica es demasiado simplista. Utiliza un espacio de diseño limitado, así que si digo que voy a usar platino, paladio y hierro, solo cambia la proporción de esos elementos en este pequeño espacio. Pero los materiales reales tienen muchas más dependencias, y la optimización bayesiana a menudo se pierde”.
La mayoría de los enfoques de aprendizaje activo también se basan en flujos de datos únicos que no capturan todo lo que ocurre en un experimento. Para dotar a los sistemas computacionales de un conocimiento más similar al humano, sin dejar de aprovechar la velocidad y el control de los sistemas automatizados, Li y sus colaboradores crearon CRESt.
El equipo robótico de CRESt incluye un robot de manipulación de líquidos, un sistema de choque carbotérmico para sintetizar rápidamente materiales, una estación de trabajo electroquímica automatizada para ensayos, equipos de caracterización que incluyen microscopía electrónica y óptica automatizadas, y dispositivos auxiliares como bombas y válvulas de gas, que también pueden controlarse remotamente. Además, se pueden ajustar numerosos parámetros de procesamiento.
Con la interfaz de usuario, los investigadores pueden chatear con CRESt e indicarle que utilice el aprendizaje activo para encontrar recetas de materiales prometedores para diferentes proyectos. CRESt puede incluir hasta 20 moléculas precursoras y sustratos en su receta. Para guiar el diseño de materiales, los modelos de CRESt buscan en artículos científicos descripciones de elementos o moléculas precursoras que podrían ser útiles. Cuando los investigadores humanos le piden a CRESt que busque nuevas recetas, se inicia una sinfonía robótica de preparación, caracterización y análisis de muestras. El investigador también puede solicitar a CRESt que realice análisis de imágenes de microscopía electrónica de barrido, difracción de rayos X y otras fuentes.
La información de esos procesos se utiliza para entrenar los modelos de aprendizaje activo, que utilizan tanto el conocimiento de la literatura como los resultados experimentales actuales para sugerir más experimentos y acelerar el descubrimiento de materiales.
“Para cada receta, utilizamos textos o bases de datos de la literatura previa, lo que crea enormes representaciones de cada receta basadas en la base de conocimiento previa, incluso antes de realizar el experimento”, explica Li. “Realizamos un análisis de componentes principales en este espacio de integración de conocimiento para obtener un espacio de búsqueda reducido que captura la mayor parte de la variabilidad del rendimiento. Luego, utilizamos la optimización bayesiana en este espacio reducido para diseñar el nuevo experimento. Tras el nuevo experimento, incorporamos los datos experimentales multimodales recién adquiridos y la retroalimentación humana a un amplio modelo de lenguaje para ampliar la base de conocimiento y redefinir el espacio de búsqueda reducido, lo que nos proporciona un gran impulso en la eficiencia del aprendizaje activo”.
Los experimentos de ciencia de materiales también pueden enfrentar desafíos de reproducibilidad. Para abordar este problema, CRESt monitorea sus experimentos con cámaras, buscando posibles problemas y sugiriendo soluciones mediante texto y voz a investigadores humanos.
Los investigadores utilizaron CRESt para desarrollar un material de electrodo para un tipo avanzado de celda de combustible de alta densidad, conocida como celda de combustible de formiato directo. Tras explorar más de 900 químicas durante tres meses, CRESt descubrió un material catalizador compuesto por ocho elementos que logró una mejora de 9,3 veces en la densidad de potencia por dólar en comparación con el paladio puro, un metal precioso de alto coste. En pruebas posteriores, el material de CREST se utilizó para proporcionar una densidad de potencia récord a una celda de combustible de formiato directo en funcionamiento, a pesar de que la celda contenía solo una cuarta parte de los metales preciosos de los dispositivos anteriores.
Los resultados muestran el potencial de CRESt para encontrar soluciones a problemas energéticos del mundo real que han afectado a la comunidad de ingeniería y ciencia de materiales durante décadas.
“Un desafío importante para los catalizadores de pilas de combustible es el uso de metales preciosos”, afirma Zhang. “Para las pilas de combustible, los investigadores han utilizado diversos metales preciosos como el paladio y el platino. Nosotros utilizamos un catalizador multielemento que también incorpora muchos otros elementos económicos para crear el entorno de coordinación óptimo para la actividad catalítica y la resistencia a especies tóxicas como el monóxido de carbono y el átomo de hidrógeno adsorbido. Se han buscado opciones de bajo coste durante muchos años. Este sistema aceleró enormemente nuestra búsqueda de estos catalizadores”.
Un asistente útil
Al principio, la baja reproducibilidad se convirtió en un problema importante que limitó la capacidad de los investigadores para aplicar su nueva técnica de aprendizaje activo en conjuntos de datos experimentales. Las propiedades de los materiales pueden verse afectadas por la forma en que se mezclan y procesan los precursores, y diversos problemas pueden alterar sutilmente las condiciones experimentales, requiriendo una inspección minuciosa para corregirlos.
Para automatizar parcialmente el proceso, los investigadores combinaron modelos de visión artificial y lenguaje de visión con el conocimiento del dominio de la literatura científica, lo que permitió al sistema plantear hipótesis sobre las fuentes de irreproducibilidad y proponer soluciones. Por ejemplo, los modelos pueden detectar una desviación milimétrica en la forma de una muestra o cuando una pipeta desplaza algo de su lugar. Los investigadores incorporaron algunas sugerencias del modelo, lo que mejoró la consistencia, lo que sugiere que los modelos ya son buenos asistentes experimentales.
Los investigadores observaron que los humanos todavía realizaban la mayor parte de la depuración en sus experimentos.
“CREST es un asistente, no un sustituto, para los investigadores humanos”, afirma Li. “Los investigadores humanos siguen siendo indispensables. De hecho, utilizamos lenguaje natural para que el sistema pueda explicar lo que hace y presentar observaciones e hipótesis. Pero este es un paso hacia laboratorios más flexibles y autónomos”.
MIT News. Z. W. Traducido al español
