W świecie, w którym badania naukowe i rozwój nowych materiałów często napotykają na przestoje z powodu ograniczeń czasowych, kosztowych i eksperymentalnych, naukowcy z MIT uruchomili rewolucyjny system, który obiecuje zmienić sposób testowania i potwierdzania hipotez naukowych. Nazwali go CRESt — „Copilot for Real-world Experimental Scientists”. Ten innowacyjny system łączy sztuczną inteligencję, robotykę, uczenie maszynowe i ludzką intuicję w unikalny ekosystem eksperymentalny, który samodzielnie planuje, przeprowadza, monitoruje i dostosowuje eksperymenty materiałowe.

Za ideą: wyzwania tradycyjnych metod w materiałoznawstwie

Obecne metody odkrywania i optymalizacji nowych materiałów często zależą od ręcznego projektowania eksperymentów, iteracyjnych modyfikacji oraz dużej liczby prób i błędów. Naukowcy muszą opracowywać protokoły, syntetyzować próbki, przeprowadzać pomiary, analizować wyniki, a następnie decydować, który kierunek dalej rozważać. W takim podejściu traci się czas i zasoby — zwłaszcza gdy liczba zmiennych gwałtownie rośnie.

Do tej pory wiele prób zastosowania uczenia maszynowego w tej dziedzinie opierało się na prostych modelach z jednym strumieniem danych, takich jak porównywanie składów i wynikowych właściwości, lub na wykorzystaniu *uczenia aktywnego* w ramach optymalizacji bayesowskiej. Jednak te podejścia modelowe są często ograniczone — rozwiązują tylko niewielką część złożoności w relacjach między składami chemicznymi, parametrami procesowymi, mikrostrukturami i warunkami eksperymentalnymi.

Ponadto, odtwarzalność eksperymentów często cierpi z powodu subtelnych różnic w przygotowaniu próbek, dryftu sprzętu, nieprzewidzianych odchyleń i niespójności. Aby osiągnąć prawdziwą autonomię w laboratorium, system musi być w stanie nie tylko przeprowadzać eksperymenty, ale także je nadzorować, wykrywać błędy i dostosowywać się w czasie rzeczywistym.

Jak działa CRESt: integracja danych multimodalnych i wykonanie robotyczne

Główną zaletą systemu CRESt jest jego zdolność do łączenia różnych źródeł wiedzy — prac pisemnych i literatury, składów chemicznych, obrazów mikrostrukturalnych (np. SEM, XRD), parametrów procesu i wyników pomiarów — i łączenia ich w jedną strategię napędzaną sztuczną inteligencją. System wykorzystuje duży model multimodalny (LMM), który uczy się na podstawie wszystkich tych modalności i podejmuje decyzje o dalszych eksperymentach.

Gdy badacz w interfejsie użytkownika (tekstowo lub głosowo) wydaje instrukcje, CRESt analizuje problem, uwzględnia literaturę i dane historyczne, formułuje propozycje eksperymentów i uruchamia roboty do ich wykonania. W trakcie eksperymentu system wykorzystuje wbudowane kamery i modele przetwarzania obrazu do monitorowania wykonania: może zauważyć przesunięcie pipety, nieregularny kształt próbki lub nieoczekiwaną zmianę w systemie i automatycznie zaproponować dostosowania.

Infrastruktura robotyczna systemu obejmuje sprzęt do obsługi cieczy (liquid-handling), urządzenia do szybkiej syntezy materiałów (np. systemy „carbothermal shock”), automatyczne stacje elektrochemiczne do testowania wydajności oraz instrumenty mikroskopowe do charakteryzacji próbek. System kontroluje również pompy, systemy wentylacyjne i komponenty zaworowe, często zdalnie lub automatycznie.

Jak CRESt wybiera kolejne eksperymenty? Po pierwsze, system wykorzystuje osadzenia (embeddings) oparte na literaturze i bazie danych, aby przedstawić potencjalne receptury chemiczne w przestrzeni wielowymiarowej. Następnie metody analityczne, takie jak analiza głównych składowych (PCA), redukują wymiarowość do tej przestrzeni reprezentacji, zachowując najważniejsze zmienne. Na tej zredukowanej przestrzeni przeprowadzana jest optymalizacja bayesowska w celu wyboru kolejnego obiecującego stanu eksperymentów. Uzyskane wyniki (chemia + parametry + wydajność) są zwracane do modelu, umożliwiając systemowi uczenie się i aktualizowanie swoich decyzji.

W przypadku, gdy system zauważy nieprawidłowość w eksperymencie, wykorzystuje modele wizualne i informacje dziedzinowe, aby zaproponować środki zaradcze. W ten sposób nie tylko uczy się na podstawie wyników, ale także reaguje na rzeczywiste zdarzenia w laboratorium.

Wyniki pokazowe: katalizator nowej generacji do bezpośrednich mrówczanowych ogniw paliwowych

Zespół naukowców z MIT przeprowadził systematyczne wykorzystanie CRESt w cyklu eksperymentalnym, w którym przetestowano ponad 900 formuł chemicznych i wykonano około 3500 pomiarów elektrochemicznych w ciągu kilku miesięcy. Eksperyment ten doprowadził do odkrycia katalizatora składającego się z ośmiu pierwiastków, który osiągnął rekordową gęstość mocy w bezpośrednim mrówczanowym ogniwie paliwowym (wykorzystującym mrówczan jako paliwo). System zdołał osiągnąć stosunek mocy do dolara 9,3 razy lepszy w porównaniu z katalizatorami z czystego palladu, przy użyciu zaledwie jednej czwartej metali szlachetnych w stosunku do poprzednich standardów.

Warto podkreślić, że nie było z góry ustalone, że system będzie używał pierwiastków wyjściowych — CRESt sam badał kombinacje, włączał różne pierwiastki i iteracyjnie optymalizował wyniki. W ten sposób osiągnięto redukcję kosztów i wzrost wydajności, przybliżając się do celu zrównoważonych i ekonomicznie opłacalnych technologii ogniw paliwowych.

Zalety i wyzwania: gdzie CRESt błyszczy, a gdzie wymaga ulepszeń

Zalety tego podejścia są oczywiste:

• szybsze iteracje w eksperymentowaniu;


• mniejsza potrzeba ręcznych interwencji;


• wykorzystanie różnorodnych danych w jednej spójnej strategii;


• lepsza odtwarzalność dzięki monitorowaniu w czasie rzeczywistym;


• demokratyzacja — badacze bez zaawansowanej wiedzy programistycznej również mogą korzystać z systemu za pomocą języka naturalnego.

Istnieją jednak również przeszkody do pokonania. Systemy takie jak CRESt wymagają bardzo precyzyjnych integracji sprzętowych i solidnej platformy programowej, aby wytrzymać ryzyko zmienności eksperymentalnej. Zarządzanie szumem, niepewnościami i losowymi błędami w laboratorium wciąż stanowi wyzwanie. W przeglądzie literatury na temat autonomicznych laboratoriów podkreśla się, że kluczowe jest włączenie projektu umożliwiającego odtwarzalność, interoperacyjność i powtarzalne protokoły do systemów, które eksperymentują autonomicznie.

Ponadto, poleganie na dużej liczbie zautomatyzowanych eksperymentów może stworzyć problem „przeciążenia danymi” — system musi być w stanie filtrować i wybierać najbardziej istotne informacje. W tym sensie prace metodologiczne z dziedziny uczenia aktywnego pokazują, że wybór strategii akwizycji (acquisition functions), równowaga między eksploatacją a eksploracją oraz włączenie praw fizyki do modeli (tzw. scientific machine learning) mogą znacząco wpłynąć na wydajność systemu.

Spojrzenie w przyszłość i implikacje dla praktyki naukowej

System CRESt pokazuje, że możliwe jest budowanie autonomicznych laboratoriów, które nie tylko działają według sztywnych skryptów, ale uczą się, dostosowują i komunikują w języku ludzkim. Takie podejście otwiera drzwi do „naukowej produkcji masowej” — równoległych eksperymentów, wymiany danych w chmurze i współpracy między laboratoriami na całym świecie.

Ulepszenia, które są już w fazie rozwoju, obejmują integrację wielu agentów sztucznej inteligencji w ramach CRESt, którzy „rozmawiają” ze sobą, aby poprawić przetwarzanie obrazu i podejmowanie decyzji w analizie materiałowej. Takie podejścia wieloagentowe przyczyniają się do lepszej dokładności w rozpoznawaniu faz i struktur w materiałach.

Rozszerzenie takich systemów ze skali laboratoryjnej na procesy przemysłowe, zautomatyzowane instalacje pilotażowe i produkcję masową będzie wymagało dodatkowych kroków: standaryzacji protokołów, modułowości komponentów laboratoryjnych, otwartego formatu wymiany danych i interoperacyjności między różnymi autonomicznymi laboratoriami.

Ostatecznie CRESt nie ma na celu zastąpienia ludzkiego naukowca, ale jego wzmocnienie. System wyjaśnia swoje hipotezy i procesy w języku naturalnym oraz umożliwia współpracę człowieka i maszyny przy rozwiązywaniu najbardziej złożonych problemów. Podczas gdy maszyny optymalizują i automatyzują, ludzie pozostają twórcami, krytycznie myślą i kierują przepływem naukowym w kierunku nieznanego horyzontu.