Синтез на автопилоте
Как автономные лаборатории и ИИ меняют материаловедение
Синтез новых материалов всегда был сложным и трудоемким процессом. Десятки параметров превращают поиск оптимальных условий в настоящий вызов, который может занять годы. Однако сегодня на смену традиционному подходу приходит новая парадигма — синергия роботизированных лабораторий, машинного обучения и компьютерного моделирования.
Дмитрий Аксенов
Фото: Тимур Сабиров, Сколтех
Дмитрий Аксенов
Фото: Тимур Сабиров, Сколтех
Старший преподаватель Центра энергетических технологий Сколтеха (входит в группу ВЭБ.РФ) Дмитрий Аксенов рассказал «Ъ-Науке», почему метод перебора условий больше не отвечает вызовам времени, как автономные лаборатории способны ускорить процесс создания материалов в несколько раз и почему ключ к успеху в междисциплинарности.
Традиционный путь создания новых материалов основан на методе проб и ошибок. Пытаясь синтезировать новое соединение, ученый сталкивается с огромным количеством параметров. С химической точки зрения понятно, какие реагенты содержат нужные вещества и какие реакции в принципе возможны. Но дальше начинается самое сложное — условия синтеза. Какая температура, какое парциальное давление кислорода, сколько времени длится процесс, в какой последовательности подавать реагенты — все это влияет на конечный продукт, на его фазовый состав и свойства. И вместо того чтобы найти оптимальные условия целенаправленно, исследователи вынуждены перебирать параметры один за другим. Это занимает много времени и требует огромных ресурсов.
Компьютерное моделирование помогает ускорить процесс, но у него есть свои ограничения. Мы можем моделировать вещество на атомном уровне, однако такие расчеты жестко ограничены по размерам системы. Зачастую протяженные дефекты, морфология материала и многофазные смеси остаются за пределами возможностей моделирования. И что самое важное, мы не можем отслеживать динамику процессов в реальном времени. То, что в реальном эксперименте занимает секунды, минуты, часы или даже дни, в модели доступно лишь на наносекундных масштабах — разрыв в несколько порядков.
Сейчас набирает силу новое направление — автономные лаборатории. Речь идет о роботизации экспериментального процесса. Вместо того чтобы лаборанты вручную смешивали реагенты, меняли условия и фиксировали результаты, эту работу берут на себя роботы. Они действуют по заранее заданной программе, варьируя параметры, и делают это с нечеловеческой скоростью и воспроизводимостью. Исключается человеческий фактор, протоколирование становится идеальным — все это повышает надежность результатов. Но даже роботы не могут перебрать все пространство параметров — оно слишком велико.
В целом процесс отбора новых материалов медленный. Даже если в списке остались три соединения, нужно время, чтобы их синтезировать и проверить. При этом хорошие данные для машинного обучения собрать очень тяжело: традиционные экспериментальные методы не дают нужного объема и качества информации. В условиях роботизированной лаборатории мы могли бы работать в тесной связке: моделирование дает предсказания, роботы синтезируют, AI-модели обрабатывают результаты и уточняют параметры для следующего шага.
Примеры такого подхода уже есть. Google с Массачусетским технологическим институтом уже создали установку, в которой объединили три компонента: базы данных с информацией о веществах (включая результаты компьютерного моделирования), AI-модель, обученную на большом массиве экспериментальных работ по синтезу, и роботизированную систему, которая проводила синтезы по заданной программе. Модель подбирала условия, роботы их воспроизводили, проводился анализ того, что получилось, модель адаптировала условия — и цикл замыкался до тех пор, пока не был синтезирован искомый материал. Это и есть та самая синергия на стыке моделирования, машинного обучения, работы с текстовыми данными и роботизации, которая сегодня меняет материаловедение.
Мы в Сколтехе также будем двигаться в этом направлении, так как сейчас для этого созданы все условия. У нас сильнейшие лаборатории по синтезу материалов, робототехнике, машинному обучению и моделированию материалов. В частности, моя научная группа в Центре энергетических технологий Сколтеха занимается главным образом моделированием материалов. Для нас основной тип задач — поиск новых материалов для металл-ионных аккумуляторов. Мы проводим скрининг больших массивов соединений из баз данных, рассчитываем нужные свойства и постепенно сокращаем список кандидатов, отсеивая неподходящие. В итоге остается небольшой перечень наиболее перспективных материалов, которые передаются экспериментаторам.
Например, в рамках гранта РНФ мы занимаемся поиском защитных покрытий для твердотельных аккумуляторов. Уже сейчас обнаруженные новые соединения-кандидаты переданы для синтеза экспериментаторам. Однако наши возможности по предсказанию опережают возможности экспериментальной лаборатории для проверки всех предложенных соединений. А большая ручная работа по оптимизации синтеза остается в лабораторных журналах, ее сложно использовать для обучения моделей. Именно поэтому мы будем двигаться в сторону автоматизации синтеза.
Уже сейчас на нашей программе магистратуры по материаловедению в Сколтехе есть отдельный трек — «Цифровое материаловедение», где мы обучаем студентов современному подходу к исследованию материалов, который уже не мыслим без компьютерного моделирования. Мы планируем расширить этот трек и добавить направление автономных лабораторий в материаловедении.
Материаловедение сегодня — это синтез традиционной экспериментальной науки и мощного компьютерного моделирования. Если мы сможем создать роботизированную лабораторию, которая замкнет цикл от моделирования до синтеза, мы выйдем на совершенно новый уровень скорости и эффективности.