U svijetu u kojem se znanstvena istraživanja i razvoj novih materijala često suočavaju sa zastojima zbog vremenskih, troškovnih i eksperimentalnih ograničenja, istraživači s MIT-a su lansirali revolucionarni sustav koji obećava promijeniti način na koji se znanstvene hipoteze testiraju i potvrđuju. Nazvali su ga CRESt — „Copilot for Real-world Experimental Scientists“. Ovaj inovativni sustav spaja umjetnu inteligenciju, robotiku, strojno učenje i ljudsku intuiciju u jedinstveni eksperimentalni ekosustav koji samostalno planira, provodi, prati i prilagođava materijalne eksperimente.

Iza ideje: izazovi tradicionalnih metoda u materijalnoj znanosti

Trenutne metode otkrivanja i optimizacije novih materijala često ovise o ručnom projektiranju pokusa, iterativnim modifikacijama i velikim brojem pokušaja i pogrešaka. Istraživači moraju osmišljavati protokole, sintetizirati uzorke, provoditi mjerenja, analizirati rezultate i onda odlučivati koji smjer dalje razmatrati. U takvom pristupu gube se vrijeme i resursi — naročito kad broj varijabli brzo eskalira.

Do sada su mnogi pokušaji primjene strojnog učenja u ovom području oslanjali se na jednostavne modele s jednim podatkovnim tokom, kao što su usporedbe kompozicija i izvedenih svojstava, ili korištenje *active learninga* u okviru Bayesove optimizacije. Ipak, ti modelni pristupi često su ograničeni — rješavaju samo maleni dio složenosti u odnosima među kemijskim sastavima, procesnim parametrima, mikrostrukturama i eksperimentalnim uvjetima.

Osim toga, reproducibilnost eksperimenata često pati zbog nijansnih razlika u pripremi uzoraka, pomaka u opremi, nepredviđenih odstupanja i nedosljednosti. Da bi se dosegnula stvarna autonomija u laboratoriju, sustav mora biti u stanju ne samo izvoditi pokuse nego i nadgledati ih, detektirati pogreške i prilagođavati se u stvarnom vremenu.

Kako CRESt radi: integracija multimodalnih podataka i robotskog izvođenja

Glavna prednost sustava CRESt je njegova sposobnost da kombinira različite izvore znanja — pisane radove i literaturu, kemijske sastave, mikrostrukturne slike (npr. SEM, XRD), parametre procesa i rezultate mjerenja — te ih spoji u jedinstvenu strategiju vođenu umjetnom inteligencijom. Sustav koristi veliki multimodalni model (LMM) koji se uči iz svih tih modaliteta i donosi odluke o daljnjim eksperimentima.

Kada istraživač u korisničkom sučelju (tekstualno ili glasovno) daje upute, CRESt analizira problem, uključi literaturu i povijesne podatke, formulira prijedloge eksperimenata i pokreće robote da ih izvedu. U tijeku pokusa sustav koristi ugrađene kamere i modele za obradu slike kako bi nadgledao izvedbu: može uočiti pomak pipete, nepravilan oblik uzorka ili neočekivanu promjenu u sustavu i automatski sugerirati prilagodbe.

Robotska infrastruktura sustava uključuje opremu za rukovanje tekućinama (liquid-handling), uređaje za brzo sinteziranje materijala (npr. „carbothermal shock“ sustavi), automatske elektrokemijske stanice za testiranje performansi te mikroskopske instrumente za karakterizaciju uzoraka. Sustav također kontrolira pumpe, ventilacijske sustave i ventilne komponente, često daljinski ili automatski.

Kako CRESt odabire sljedeće eksperimente? Prvo, sustav koristi embeddings temeljene na literaturi i bazi podataka da predstavi potencijalne kemijske recepte u viserdimenzionalnom prostoru. Zatim analitičke metode kao što je glavna komponentna analiza (PCA) smanjuju dimenzionalnost u taj reprezentacijski prostor, zadržavajući najvažnije varijable. Na tom reduciranom prostoru provodi se Bayesova optimizacija kako bi se odabralo sljedeće obećavajuće stanje eksperimenata. Dobiveni rezultati (kemija + parametri + izvedba) vraćaju se u model, omogućujući sustavu da uči i ažurira svoje odluke.

U slučaju da sustav uočava nepravilnost u eksperimentu, koristi vizualne modele i domenske informacije da predloži korektivne mjere. Na taj način ne samo da uči iz rezultata nego i reagira na stvarne događaje u laboratoriju.

Pokazni rezultati: katalizator nove generacije za direktne formate gorivne ćelije

Tim istraživača na MIT-u proveo je sustavnom upotrebom CRESt eksperimentalni ciklus kojim je testirano preko 900 kemijskih formulacija i obavljeno oko 3.500 elektrokemijskih mjerenja u razdoblju od nekoliko mjeseci. Taj eksperiment doveo je do otkrića katalizatora sastavljenog od osam elemenata, koji je postigao rekordnu gustoću snage u direktnoj formate gorivnoj ćeliji (koristeći formate kao gorivo). Sustav je uspio postići omjer snage po dolaru 9,3 puta bolji u usporedbi s katalizatorima od čistog paladija, uz korištenje tek četvrtine plemenitih metala u odnosu na prijašnje standarde.

Važno je istaknuti da nije bilo unaprijed fiksirano da sustav koristi ishodišne elemente — CRESt je sam istražio kombinacije, uključivao različite elemente i iterativno optimizirao rezultate. Tako je postignuto smanjenje troškova i povećanje učinkovitosti, čime se približio cilj održivih i ekonomski izvedivih tehnologija gorivnih ćelija.

Prednosti i izazovi: gdje CRESt blista, a gdje treba unapređenje

Prednosti ovog pristupa su očite:

• brže iteracije u eksperimentiranju;


• manja potreba za ručnim intervencijama;


• korištenje raznovrsnih podataka u jednoj koherentnoj strategiji;


• u bolja reproducibilnost zahvaljujući nadzoru u stvarnom vremenu;


• demokratičnost — istraživači bez naprednih znanja programiranja također mogu koristiti sustav preko prirodnog jezika.

No, postoje i prepreke koje treba prevladati. Sustavi poput CRESt zahtijevaju vrlo precizne hardverske integracije i robustan softverski okvir da izdrže rizike eksperimentalnih varijacija. Upravljanje šumom, nesigurnostima i slučajnim pogreškama u laboratoriju i dalje je izazov. U pregledu literature o autonomnim laboratorijima ističe se da je ključno ugraditi dizajn koji omogućava reproducibilnost, interoperabilnost i ponovljive protokole u sustave koji autonomno eksperimentiraju.

Osim toga, oslanjanje na velik broj automatiziranih eksperimenata može stvoriti problem “preopterećenja podacima” — sustav mora biti u stanju filtrirati i selektirati najrelevantnije informacije. U ovom smislu, metodološki radovi iz područja aktivnog učenja pokazuju da izbor strategija akvizicije (acquisition functions), uravnoteženost između eksploatacije i istraživanja te ugradnja fizikalnih zakona u modele (tzv. scientific machine learning) mogu značajno utjecati na učinkovitost sustava.

Pogled u budućnost i implikacije za znanstvenu praksu

Sustav CRESt pokazuje da je moguće graditi autonomne laboratorije koje ne rade samo po rigidnim skriptama, nego uče, prilagođavaju se i komuniciraju na ljudskom jeziku. Ovakav pristup otvara vrata “znanstvenoj masovnoj proizvodnji” — paralelnim eksperimentima, razmjeni podataka u oblaku i suradnji među laboratorijima širom svijeta.

Unapređenja koja su već u razvoju uključuju integraciju više agenata umjetne inteligencije unutar CRESt-a, koji se “razgovaraju” jedni s drugima kako bi poboljšali obradu slika i odlučivanje u materijalnoj analizi. Ovakvi multi-agentni pristupi doprinose boljoj točnosti u prepoznavanju faza i struktura u materijalima.

Širenje ovakvih sustava iz laboratorijske skale prema industrijskim procesima, automatiziranim pilot postrojenjima i masovnoj proizvodnji zahtijevat će dodatne korake: standardizaciju protokola, modularnost lab-komponenti, otvoreni format razmjene podataka i interoperabilnost između različitih autonomnih laboratorija.

U konačnici, CRESt ne želi zamijeniti ljudskog znanstvenika — već ga osnažiti. Sustav objašnjava svoje hipoteze i procese prirodnim jezikom te omogućuje suradnju čovjeka i stroja pri rješavanju najsloženijih problema. Dok strojevi optimiziraju i automatiziraju, ljudi ostaju kreatori, kritički promišljaju i usmjeravaju znanstveni tok prema nepoznatom horizontu.