Model pembelajaran mesin dapat mempercepat penemuan materi baru dengan membuat prediksi dan menyarankan eksperimen. Namun sebagian besar model saat ini hanya mempertimbangkan beberapa tipe data atau variabel tertentu. Bandingkan dengan ilmuwan manusia, yang bekerja dalam lingkungan kolaboratif dan mempertimbangkan hasil eksperimen, literatur ilmiah yang lebih luas, pencitraan dan analisis struktural, pengalaman atau intuisi pribadi, dan masukan dari kolega dan peninjau sejawat.
Kini, para peneliti MIT telah mengembangkan metode untuk mengoptimalkan resep bahan dan merencanakan eksperimen yang menggabungkan informasi dari berbagai sumber seperti wawasan dari literatur, komposisi kimia, gambar mikrostruktur, dan banyak lagi. Pendekatan ini merupakan bagian dari platform baru, bernama Copilot for Real-world Experimental Scientist (CRESt), yang juga menggunakan peralatan robotik untuk pengujian material dengan throughput tinggi, yang hasilnya dimasukkan kembali ke dalam model multimodal besar untuk lebih mengoptimalkan resep material.
Peneliti manusia dapat berkomunikasi dengan sistem dalam bahasa alami, tanpa memerlukan pengkodean, dan sistem membuat pengamatan dan hipotesisnya sendiri selama proses tersebut. Kamera dan model bahasa visual juga memungkinkan sistem memantau eksperimen, mendeteksi masalah, dan menyarankan koreksi.
“Di bidang AI untuk sains, kuncinya adalah merancang eksperimen baru,” kata Ju Li, Profesor Teknik Tenaga Carl Richard Soderberg di Fakultas Teknik. “Kami menggunakan umpan balik multimodal – misalnya informasi dari literatur sebelumnya tentang bagaimana paladium berperilaku dalam sel bahan bakar pada suhu ini, dan umpan balik manusia – untuk melengkapi data eksperimen dan merancang eksperimen baru. Kami juga menggunakan robot untuk mensintesis dan mengkarakterisasi struktur material dan untuk menguji kinerja.”
Sistem tersebut dijelaskan pada a makalah yang diterbitkan di Alam. Para peneliti menggunakan CRESt untuk mengeksplorasi lebih dari 900 bahan kimia dan melakukan 3.500 uji elektrokimia, yang mengarah pada penemuan bahan katalis yang menghasilkan kepadatan daya tertinggi dalam sel bahan bakar yang menggunakan garam format untuk menghasilkan listrik.
Yang bergabung dengan Li dalam makalah ini sebagai penulis pertama adalah mahasiswa PhD Zhen Zhang, Zhichu Ren PhD ’24, mahasiswa PhD Chia-Wei Hsu, dan postdoc Weibin Chen. Rekan penulisnya adalah Asisten Profesor MIT Iwnetim Abate; Profesor Madya Pulkit Agrawal; Profesor Teknik JR East Yang Shao-Horn; Peneliti MIT.nano Aubrey Penn; Zhang-Wei Hong PhD ’25, Hongbin Xu PhD ’25; Daniel Zheng PhD ’25; Mahasiswa pascasarjana MIT Shuhan Miao dan Hugh Smith; Postdocs MIT Yimeng Huang, Weiyin Chen, Yungsheng Tian, Yifan Gao, dan Yaoshen Niu; mantan postdoc MIT Sipei Li; dan kolaborator termasuk Chi-Feng Lee, Yu-Cheng Shao, Hsiao-Tsu Wang, dan Ying-Rui Lu.
Sistem yang lebih cerdas
Eksperimen ilmu material bisa memakan waktu dan mahal. Hal ini mengharuskan peneliti merancang alur kerja dengan hati-hati, membuat materi baru, dan menjalankan serangkaian pengujian dan analisis untuk memahami apa yang terjadi. Hasil tersebut kemudian digunakan untuk memutuskan bagaimana meningkatkan materi.
Untuk meningkatkan prosesnya, beberapa peneliti telah beralih ke strategi pembelajaran mesin yang dikenal sebagai pembelajaran aktif untuk memanfaatkan titik data eksperimen sebelumnya secara efisien dan mengeksplorasi atau mengeksploitasi data tersebut. Ketika dipadukan dengan teknik statistik yang dikenal sebagai optimasi Bayesian (BO), pembelajaran aktif telah membantu peneliti mengidentifikasi materi baru seperti baterai dan semikonduktor canggih.
“Pengoptimalan Bayesian seperti Netflix yang merekomendasikan film berikutnya untuk ditonton berdasarkan riwayat penayangan Anda, hanya saja ia merekomendasikan eksperimen berikutnya untuk dilakukan,” jelas Li. “Tetapi optimasi dasar Bayesian terlalu sederhana. Ia menggunakan ruang berdesain berbentuk kotak, jadi jika saya katakan saya akan menggunakan platinum, paladium, dan besi, itu hanya mengubah rasio unsur-unsur tersebut dalam ruang yang kecil ini. Namun material sebenarnya memiliki lebih banyak ketergantungan, dan BO sering kali hilang.”
Sebagian besar pendekatan pembelajaran aktif juga mengandalkan aliran data tunggal yang tidak menangkap semua yang terjadi dalam eksperimen. Untuk melengkapi sistem komputasi dengan pengetahuan yang lebih mirip manusia, sambil tetap memanfaatkan kecepatan dan kontrol sistem otomatis, Li dan kolaboratornya membangun CRESt.
Peralatan robotik CRESt mencakup robot penanganan cairan, sistem kejut karbotermal untuk mensintesis bahan dengan cepat, stasiun kerja elektrokimia otomatis untuk pengujian, peralatan karakterisasi termasuk mikroskop elektron otomatis dan mikroskop optik, dan perangkat tambahan seperti pompa dan katup gas, yang juga dapat dikendalikan dari jarak jauh. Banyak parameter pemrosesan juga dapat disesuaikan.
Dengan antarmuka pengguna, peneliti dapat mengobrol dengan CRESt dan memintanya untuk menggunakan pembelajaran aktif guna menemukan resep bahan yang menjanjikan untuk berbagai proyek. CRESt dapat memasukkan hingga 20 molekul prekursor dan substrat ke dalam resepnya. Untuk memandu desain material, model CRESt menelusuri makalah ilmiah untuk mendapatkan deskripsi unsur atau molekul prekursor yang mungkin berguna. Saat peneliti manusia meminta CRESt untuk mencari resep baru, simfoni robotik berupa persiapan sampel, karakterisasi, dan pengujian dimulai. Peneliti juga dapat meminta CRESt untuk melakukan analisis gambar dari pemindaian pencitraan mikroskop elektron, difraksi sinar-X, dan sumber lainnya.
Informasi dari proses tersebut digunakan untuk melatih model pembelajaran aktif, yang menggunakan pengetahuan literatur dan hasil eksperimen saat ini untuk menyarankan eksperimen lebih lanjut dan mempercepat penemuan materi.
“Untuk setiap resep kami menggunakan teks literatur atau database sebelumnya, dan ini menciptakan representasi besar dari setiap resep berdasarkan basis pengetahuan sebelumnya bahkan sebelum melakukan eksperimen,” kata Li. “Kami melakukan analisis komponen utama dalam ruang penyematan pengetahuan ini untuk mendapatkan pengurangan ruang pencarian yang menangkap sebagian besar variabilitas kinerja. Kemudian kami menggunakan pengoptimalan Bayesian dalam ruang yang dikurangi ini untuk merancang eksperimen baru. Setelah eksperimen baru, kami memasukkan data eksperimen multimodal yang baru diperoleh dan umpan balik manusia ke dalam model bahasa yang besar untuk menambah basis pengetahuan dan mendefinisikan ulang ruang pencarian yang dikurangi, yang memberi kami dorongan besar dalam efisiensi pembelajaran aktif.”
Eksperimen ilmu material juga dapat menghadapi tantangan reproduktifitas. Untuk mengatasi masalah ini, CRESt memantau eksperimennya dengan kamera, mencari potensi masalah dan menyarankan solusi melalui teks dan suara kepada peneliti manusia.
Para peneliti menggunakan CRESt untuk mengembangkan bahan elektroda untuk sel bahan bakar berdensitas tinggi jenis canggih yang dikenal sebagai sel bahan bakar format langsung. Setelah menjelajahi lebih dari 900 bahan kimia selama tiga bulan, CRESt menemukan bahan katalis yang terbuat dari delapan elemen yang mencapai peningkatan kepadatan daya per dolar sebesar 9,3 kali lipat dibandingkan paladium murni, logam mulia yang mahal. Dalam pengujian lebih lanjut, material CREST digunakan untuk menyalurkan kepadatan daya yang mencapai rekor ke sel bahan bakar format langsung yang berfungsi meskipun sel tersebut hanya mengandung seperempat logam mulia dari perangkat sebelumnya.
Hasilnya menunjukkan potensi CRESt untuk menemukan solusi terhadap permasalahan energi dunia nyata yang telah menjangkiti komunitas ilmu material dan teknik selama beberapa dekade.
“Tantangan signifikan bagi katalis sel bahan bakar adalah penggunaan logam mulia,” kata Zhang. “Untuk sel bahan bakar, para peneliti telah menggunakan berbagai logam mulia seperti paladium dan platinum. Kami menggunakan katalis multielemen yang juga menggabungkan banyak elemen murah lainnya untuk menciptakan lingkungan koordinasi yang optimal untuk aktivitas katalitik dan ketahanan terhadap spesies beracun seperti karbon monoksida dan atom hidrogen yang teradsorpsi. Orang-orang telah mencari opsi berbiaya rendah selama bertahun-tahun. Sistem ini sangat mempercepat pencarian kami untuk katalis ini.”
Asisten yang membantu
Awalnya, reproduktifitas yang buruk muncul sebagai masalah utama yang membatasi kemampuan peneliti untuk melakukan teknik pembelajaran aktif baru pada kumpulan data eksperimental. Sifat material dapat dipengaruhi oleh cara prekursor dicampur dan diproses, dan sejumlah masalah dapat mengubah kondisi eksperimen secara halus, sehingga memerlukan inspeksi yang cermat untuk memperbaikinya.
Untuk mengotomatiskan sebagian proses, para peneliti menggabungkan model visi komputer dan bahasa visi dengan pengetahuan domain dari literatur ilmiah, yang memungkinkan sistem untuk membuat hipotesis sumber yang tidak dapat direproduksi dan mengusulkan solusi. Misalnya, model dapat melihat ketika ada penyimpangan berukuran milimeter pada bentuk sampel atau ketika pipet memindahkan sesuatu yang tidak pada tempatnya. Para peneliti memasukkan beberapa saran model, yang mengarah pada peningkatan konsistensi, menunjukkan bahwa model tersebut sudah dapat menjadi asisten eksperimen yang baik.
Para peneliti mencatat bahwa manusia masih melakukan sebagian besar proses debug dalam eksperimen mereka.
“CREST adalah asisten, bukan pengganti, bagi peneliti manusia,” kata Li. “Peneliti manusia masih sangat diperlukan. Faktanya, kami menggunakan bahasa alami sehingga sistem dapat menjelaskan apa yang dilakukannya dan menyajikan pengamatan dan hipotesis. Namun ini adalah langkah menuju laboratorium yang lebih fleksibel dan dapat berjalan sendiri.”
