


Plus de 13 fois plus rapide que le travail manuel, « robot + IA » découvre le meilleur électrolyte pour les batteries et accélère la recherche sur les matériaux
Éditeur | Ziluo
Le modèle traditionnel de recherche et développement de matériaux repose principalement sur des méthodes expérimentales « essais et erreurs » ou sur des découvertes accidentelles, et son processus de recherche et développement prend généralement 10 à 20 ans.
Les méthodes basées sur les données et basées sur l'apprentissage automatique (ML) peuvent accélérer la conception de nouveaux matériaux pour les technologies d'énergie propre. Cependant, son application pratique dans la recherche sur les matériaux reste limitée en raison du manque de bases de données expérimentales à grande échelle et de haute fidélité.
Récemment, l'équipe de recherche du Pacific Northwest National Laboratory et du Argonne National Laboratory aux États-Unis a conçu un flux de travail hautement automatisé qui combine une plate-forme expérimentale à haut débit avec l'algorithme d'apprentissage actif le plus avancé pour filtrer efficacement les anodes. solvant organique avec une solubilité optimale. L'objectif de cette recherche est d'améliorer les performances et la stabilité des systèmes de stockage d'énergie afin de promouvoir l'application généralisée des énergies renouvelables. Traditionnellement, la recherche impliquant des anolytes nécessite généralement de nombreuses expériences par essais et erreurs, ce qui prend du temps et demande beaucoup de travail. Et grâce à ce flux de travail automatisé, les chercheurs peuvent filtrer plus rapidement les binaires appropriés
En plus d'un flux de travail efficace conçu pour développer des batteries à flux redox hautes performances, ce robot à haut débit guidé par l'apprentissage automatique. La plateforme offre une approche puissante et polyvalente pour accélérer la découverte de matériaux fonctionnels.
Le critique a commenté : « Cette étude montre qu'une plate-forme robotique guidée par l'IA peut trouver efficacement des combinaisons non intuitives de solvants et d'électrolytes dans les applications énergétiques. Ce travail a des implications importantes pour la communauté des batteries. »
L'étude est intitulée « » « Une plateforme robotique intégrée à haut débit et une approche d'apprentissage actif pour la découverte accélérée de formulations d'électrolytes optimales » a été publiée sur « Nature Communications » le 29 mars 2024.
Lien papier : https://www.nature.com/articles/s41467-024-47070-5
Afin d'assurer le développement d'applications de technologies d'énergie propre et de parvenir à une décarbonation profonde de l'électricité, il est crucial , la conception des matériaux dotés de propriétés fonctionnelles ciblées pour les outils est essentielle au développement d'applications de technologies d'énergie propre et à la réalisation d'une décarbonation profonde de l'électricité. Les méthodes traditionnelles d’essais et d’erreurs sont coûteuses et prennent du temps, de sorte que la nature des outils de conception est coûteuse et permet de gagner du temps.
La solubilité des molécules actives redox est un facteur important dans la détermination de la densité énergétique des batteries à flux redox (RFB). Cependant, la découverte de matériaux électrolytiques est limitée par le manque d’ensembles de données expérimentales sur la solubilité, essentiels pour exploiter les approches basées sur les données.
Néanmoins, le développement de molécules organiques (ROM) rédox-actives hautement solubles pour les RFB non aqueux (NRFB) reste une tâche difficile en raison du manque de standardisation des systèmes de solvants organiques et de données expérimentales de solubilité pertinentes pour l'application.
En utilisant la plate-forme automatisée d'expériences à haut débit (HTE), la fiabilité et l'efficacité de la méthode de mesure de la solubilité « excès de soluté » peuvent être améliorées et la base de données de solubilité du NRFB peut être construite. Cependant, même avec les systèmes HTE, la diversité des mélanges de solvants potentiels rend le processus de criblage plus long et plus coûteux.
L'apprentissage actif (AL), et plus particulièrement l'optimisation bayésienne (BO), s'est avéré être une méthode fiable pour accélérer la recherche d'électrolytes nécessaires aux applications de stockage d'énergie. Par conséquent, un flux de travail expérimental en boucle fermée guidé par BO peut être utilisé pour minimiser l’exécution de HTE.
Plate-forme robotique expérimentale à haut débit guidée par ML
Ici, les chercheurs utilisent le 2,1,3-benzothiadiazole (BTZ), un anolyte haute performance, avec un degré élevé de densité de charge délocalisée et une bonne stabilité chimique, comme un modèle de ROM. L’accent est mis sur l’étude de sa solubilité dans divers solvants organiques, démontrant le potentiel d’une plate-forme robotique d’expériences à haut débit (HTE) guidée par apprentissage automatique pour accélérer la découverte des électrolytes NRFB.
Illustration : Diagramme schématique du processus de criblage d'électrolytes en boucle fermée basé sur une plate-forme expérimentale à haut débit guidée par l'apprentissage automatique (ML). (Source : article)
Plus précisément, les chercheurs ont conçu un flux de travail de criblage de solvants en boucle fermée composé de deux modules connectés, à savoir HTE et BO. Le module HTE effectue la préparation des échantillons et les mesures de solubilité via une plateforme robotique à haut débit. Le composant BO se compose d'un modèle de substitution et d'une fonction d'acquisition, qui agissent ensemble comme un oracle, faisant des prédictions de solubilité et suggérant de nouveaux solvants à évaluer.
Le flux de travail est illustré dans la figure ci-dessous, les étapes spécifiques sont :
- Tout d’abord, préparez la solution saturée de ROM et analysez l’échantillon via la plateforme HTE. Ensuite, les spectres de résonance magnétique nucléaire (RMN) de ces échantillons ont été acquis et les données spectrales ont été utilisées pour calculer la solubilité de la ROM.
- Cet ensemble de données est ensuite utilisé pour former un modèle de substitution utilisé pour prédire la solubilité des échantillons non testés dans l'espace de recherche dans le cadre du processus BO.
- La fonction d'acquisition est ensuite appliquée dans le cadre BO pour guider la sélection de nouveaux échantillons, guidant l'évaluation sur la base d'un équilibre des valeurs de solubilité prédites et des incertitudes associées (c'est-à-dire les scores de fitness), simplifiant ainsi la découverte et l'analyse des potentiels solvants.
Plus de 13 fois plus rapide que le traitement manuel des échantillons
La plate-forme automatisée peut préparer des solutions saturées avec un excès de soluté et des échantillons quantitatifs par résonance magnétique nucléaire (RMNq) avec une intervention manuelle minimale.
Avec le flux de travail HTE automatisé, la durée expérimentale totale pour effectuer les mesures de solubilité de 42 échantillons était d'environ 27 heures (~ 39 minutes/échantillon, moins de temps par échantillon lors de l'analyse de plus d'échantillons). C'est plus de 13 fois plus rapide que le traitement manuel des échantillons à l'aide de la méthode « excès de soluté » (environ 525 minutes par échantillon).
En plus de l'augmentation de vitesse fournie par le système HTE, la recherche a également mis l'accent sur le contrôle des conditions expérimentales, telles que la température (20°C) et le temps de stabilisation (8 heures), pour garantir une mesure précise de la solubilité du BTZ dans divers solvants organiques.
Illustration : Présentation de la plateforme automatisée d'expérimentation à haut débit (HTE). (Source : article)
Sur la base d'une revue de la littérature et d'une prise en compte des propriétés des solvants, les chercheurs ont répertorié 22 solvants candidats potentiels pour le BTZ. Ensuite, 2 079 solvants binaires supplémentaires ont été dénombrés en combinant ces 22 solvants uniques par paires, chacun avec 9 fractions volumiques différentes.
Tableau : Liste de 22 solvants organiques candidats et leurs propriétés physiques et chimiques. (Source : Papier)
La plateforme a identifié plusieurs solvants à partir d'une bibliothèque complète de plus de 2000 solvants potentiels avec un seuil de solubilité dépassant le prototype de molécule active rédox 2,1,3-benzothiadiazole 6,20M. Notamment, la stratégie globale nécessitait une évaluation de la solubilité pour moins de 10 % des médicaments candidats, soulignant l’efficacité de la nouvelle approche.
Illustration : Identification des électrolytes requis via l'optimisation bayésienne (BO). (Source : article)
Les résultats de la recherche montrent également que les mélanges de solvants binaires, notamment ceux incorporant du 1,4-dioxane (1,4-dioxane), contribuent à améliorer la solubilité du BTZ.
En résumé, l'étude démontre une plate-forme HTE guidée par ML pour le criblage d'électrolytes, où les prédictions ML et les expériences automatisées fonctionnent ensemble pour cribler efficacement les solvants organiques binaires avec une solubilité optimale pour le BTZ.
Cette recherche permet non seulement de relier les domaines de la science des données et de la science expérimentale traditionnelle, mais jette également les bases du développement futur d'une plateforme autonome dédiée au criblage des électrolytes de batterie.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).

La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.

Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.

Editeur | ScienceAI Sur la base de données cliniques limitées, des centaines d'algorithmes médicaux ont été approuvés. Les scientifiques se demandent qui devrait tester les outils et comment le faire au mieux. Devin Singh a vu un patient pédiatrique aux urgences subir un arrêt cardiaque alors qu'il attendait un traitement pendant une longue période, ce qui l'a incité à explorer l'application de l'IA pour réduire les temps d'attente. À l’aide des données de triage des salles d’urgence de SickKids, Singh et ses collègues ont construit une série de modèles d’IA pour fournir des diagnostics potentiels et recommander des tests. Une étude a montré que ces modèles peuvent accélérer les visites chez le médecin de 22,3 %, accélérant ainsi le traitement des résultats de près de 3 heures par patient nécessitant un examen médical. Cependant, le succès des algorithmes d’intelligence artificielle dans la recherche ne fait que le vérifier.

Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Éditeur | L’utilisation de Ziluo AI pour rationaliser la découverte de médicaments explose. Ciblez des milliards de molécules candidates pour détecter celles qui pourraient posséder les propriétés nécessaires au développement de nouveaux médicaments. Il y a tellement de variables à prendre en compte, depuis le prix des matériaux jusqu’au risque d’erreur, qu’évaluer les coûts de synthèse des meilleures molécules candidates n’est pas une tâche facile, même si les scientifiques utilisent l’IA. Ici, les chercheurs du MIT ont développé SPARROW, un cadre d'algorithme de prise de décision quantitative, pour identifier automatiquement les meilleurs candidats moléculaires, minimisant ainsi les coûts de synthèse tout en maximisant la probabilité que les candidats possèdent les propriétés souhaitées. L’algorithme a également identifié les matériaux et les étapes expérimentales nécessaires à la synthèse de ces molécules. SPARROW prend en compte le coût de synthèse d'un lot de molécules à la fois, puisque plusieurs molécules candidates sont souvent disponibles

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
