Een robotwetenschapper bedenkt nieuwe materialen om computergebruik vooruit te helpen en vervuiling te bestrijden

mevrouw Tech





In een laboratorium dat uitkijkt over een drukke winkelstraat in Cambridge, Massachusetts, probeert een robot nieuwe materialen te maken.

Een robotarm doopt een pipet in een schaal en brengt een kleine hoeveelheid heldere vloeistof over in een van de vele recipiënten die voor een andere machine staan. Als alle monsters klaar zijn, test de tweede machine hun optische eigenschappen en de resultaten worden naar een computer gestuurd die de arm bestuurt. Software analyseert de resultaten van deze experimenten, formuleert enkele hypothesen en begint het proces opnieuw. Mensen zijn nauwelijks nodig.

De setup, ontwikkeld door een startup genaamd Kebotix , geeft aan hoe machine learning en robotautomatisering de komende jaren een revolutie teweeg kunnen brengen in de materiaalwetenschap. Het bedrijf is van mening dat het nieuwe verbindingen kan vinden die onder andere vervuiling kunnen absorberen, resistente schimmelinfecties kunnen bestrijden en als efficiëntere opto-elektronische componenten kunnen dienen. De software van het bedrijf leert van 3D-modellen van moleculen met bekende eigenschappen.



Er worden al software-algoritmen gebruikt om chemische verbindingen en materialen te ontwerpen, maar het proces is traag en grof. Gewoonlijk test een machine eenvoudig kleine variaties van een materiaal, blindelings op zoek naar een levensvatbare nieuwe creatie. Machine learning en robotica zouden het proces veel sneller en effectiever kunnen maken. Kebotix is ​​een van de vele startups die aan dit idee werken.

Het doel is om machine learning te gebruiken om kandidaat-materiaal te genereren. De ontdekking gaat te traag, zegt Jill Becker, CEO van Kebotix. Je hebt een idee voor een materiaal, je probeert het te maken en je test het. Er worden maar weinig ideeën getest, met nog minder resultaten.

De oprichters van Kebotix: Alan Aspuru-Guzik, Dennis Sheberla, Jill Becker, Semion Saikin en Christoph Kreisbeck. Met dank aan Kebotix



Kebotix gebruikt verschillende machinale leermethoden om nieuwe chemische verbindingen te ontwerpen. Het bedrijf voert moleculaire modellen van verbindingen met gewenste eigenschappen in een type neuraal netwerk dat een statistische weergave van die eigenschappen leert. Dit algoritme kan dan nieuwe voorbeelden bedenken die in hetzelfde model passen.

Kebotix gebruikt ook een ander netwerk om ontwerpen te verwijderen die te ver van het origineel afwijken en daarom waarschijnlijk nutteloos zijn. Vervolgens test het robotsysteem van het bedrijf de resterende chemische structuren. De resultaten van die experimenten kunnen worden teruggevoerd naar de machine learning-pijplijn, waardoor deze dichter bij de gewenste chemische eigenschappen komt. Het bedrijf noemt het totale systeem een ​​zelfrijdend laboratorium.

Christoph Kreisbeck, de chief product officer van het bedrijf, zegt dat Kebotix zal beginnen te werken met moleculen voor elektronische toepassingen en vervolgens zal proberen nieuwe polymeren en legeringen aan te pakken.



De AI voorspelt en plant wat te doen; het robotautomatiseringssysteem test ons nieuwe molecuul zeer snel, zegt Kreisbeck. De machine kan leren van de database en een betere beslissing nemen voor de volgende ronde.

Kebotix is ​​opgericht door onderzoekers die werkzaam zijn in het Harvard-lab van Alan Aspuru-Guzik , die eerder dit jaar Harvard verliet om te bouwen aan een lab aan de Universiteit van Toronto in Canada. Kebotix, dat is gebaseerd op MIT's VC-firma De motor , ontving onlangs $ 5 miljoen aan startkapitaal. De investeringsronde werd geleid door: Eenrichtingsondernemingen , een investeringsmaatschappij die gespecialiseerd is in het financieren van allochtone ondernemers. Alle leden van het oprichtende team van Kebotix zijn immigranten naar de VS.

Klavs Jensen , een professor aan de afdeling chemische technologie van MIT, leidt een laboratorium dat geautomatiseerde benaderingen ontwikkelt voor het bedenken van bruikbare nieuwe chemicaliën, waaronder methoden die machine learning en robotica combineren. Hij zegt dat het addertje onder het gras is dat dergelijke methoden vaak enorme hoeveelheden gegevens vereisen, wat over het algemeen tijdrovend en moeilijk te verzamelen is. Dit wordt ook uitdagender naarmate de materialen ingewikkelder worden. Je kunt zeker veel doen, zegt Jensen. Maar zoals al het andere gaat het om de kwaliteit van de gegevens.



Jensen zegt dat automatisering, die al gemeengoed is in de farmaceutische industrie, steeds belangrijker zal worden in materiaalonderzoek. Het zal de expert niet vervangen, zegt hij, maar je zult dingen veel sneller kunnen doen.

zich verstoppen