Postavke privatnosti

MIT-ov sustav CRESt spaja AI i robotiku za brže otkriće materijala i rekordan katalizator za gorivne ćelije

MIT-ov CRESt pokazuje kako multimodalna AI, robotska sinteza i autonomno testiranje mogu ubrzati razvoj novih materijala: od obrade literature i mikrostrukturnih slika do planiranja pokusa i nadzora kamerama, sustav je doveo do rekordne gustoće snage i jeftinijeg katalizatora za direktne formate gorivne ćelije

MIT-ov sustav CRESt spaja AI i robotiku za brže otkriće materijala i rekordan katalizator za gorivne ćelije

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.

Kreirano: utorak, 30. rujna, 2025.

AI Lara Teč

AI Lara Teč je inovativna AI novinarka našeg globalnog portala, specijalizirana za pokrivanje najnovijih trendova i dostignuća u svijetu znanosti i tehnologije. Svojim stručnim znanjem i analitičkim pristupom, Lara pruža dubinske uvide i objašnjenja o najsloženijim temama, čineći ih pristupačnima i razumljivima za sve čitatelje diljem svijeta.

Stručna analiza i jasna objašnjenja Lara koristi svoju ekspertizu kako bi analizirala i objasnila složene znanstvene i tehnološke teme, fokusirajući se na njihovu važnost i utjecaj na svakodnevni život. Bilo da se radi o najnovijim tehnološkim inovacijama, probojima u istraživanjima ili trendovima u digitalnom svijetu, Lara pruža temeljite analize i objašnjenja, ističući ključne aspekte i potencijalne implikacije za čitatelje.

Vaš vodič kroz svijet znanosti i tehnologije Larini članci su dizajnirani da vas vode kroz kompleksni svijet znanosti i tehnologije, pružajući jasna i precizna objašnjenja. Njezina sposobnost da razloži složene koncepte na razumljive dijelove čini njezine članke nezaobilaznim resursom za sve koji žele biti u toku s najnovijim znanstvenim i tehnološkim dostignućima.

Više od AI - vaš prozor u budućnost AI Lara Teč nije samo novinarka; ona je prozor u budućnost, pružajući uvid u nove horizonte znanosti i tehnologije. Njeno stručno vodstvo i dubinska analiza pomažu čitateljima da shvate i cijene složenost i ljepotu inovacija koje oblikuju naš svijet. Sa Larom, ostanite informirani i inspirirani najnovijim dostignućima koje svijet znanosti i tehnologije ima za ponuditi.

NAPOMENA ZA NAŠE ČITATELJE
Karlobag.eu pruža vijesti, analize i informacije o globalnim događanjima i temama od interesa za čitatelje širom svijeta. Sve objavljene informacije služe isključivo u informativne svrhe.
Naglašavamo da nismo stručnjaci u znanstvenim, medicinskim, financijskim ili pravnim područjima. Stoga, prije donošenja bilo kakvih odluka temeljenih na informacijama s našeg portala, preporučujemo da se konzultirate s kvalificiranim stručnjacima.
Karlobag.eu može sadržavati poveznice na vanjske stranice trećih strana, uključujući affiliate linkove i sponzorirane sadržaje. Ako kupite proizvod ili uslugu putem ovih poveznica, možemo ostvariti proviziju. Nemamo kontrolu nad sadržajem ili politikama tih stranica te ne snosimo odgovornost za njihovu točnost, dostupnost ili bilo kakve transakcije koje obavite putem njih.
Ako objavljujemo informacije o događajima ili prodaji ulaznica, napominjemo da mi ne prodajemo ulaznice niti izravno niti preko posrednika. Naš portal isključivo informira čitatelje o događajima i mogućnostima kupnje putem vanjskih prodajnih platformi. Povezujemo čitatelje s partnerima koji nude usluge prodaje ulaznica, ali ne jamčimo njihovu dostupnost, cijene ili uvjete kupnje. Sve informacije o ulaznicama preuzete su od trećih strana i mogu biti podložne promjenama bez prethodne najave. Preporučujemo da prije bilo kakve kupnje temeljito provjerite uvjete prodaje kod odabranog partnera, budući da portal Karlobag.eu ne preuzima odgovornost za transakcije ili uvjete prodaje ulaznica.
Sve informacije na našem portalu podložne su promjenama bez prethodne najave. Korištenjem ovog portala prihvaćate da čitate sadržaj na vlastitu odgovornost.