Група американських дослідників в галузі хімічної інженерії розробила самокеровану лабораторію, здатну виявляти і оптимізувати складні багатоступінчасті шляхи реакцій для синтезу як нових, так і вже відомих матеріалів і молекул. Під час демонстрації концепції система під управлінням нейронної мережі знайшла більш ефективний спосіб виробництва високоякісних напівпровідникових нанокристалів, які використовуються в оптичних і фотонних пристроях.
Наочна ілюстрація поняття «прокляття розмірності» / © Volk A.A., et al., Nature Communications, 2023
Багатоступеневий синтез хімічних сполук — по-справжньому трудомістка область наукових досліджень. Нерідко, щоб розробити новий цільовий матеріал або оптимізувати метод синтезу певної хімічної речовини, потрібна праця десятків фахівців протягом декількох років. При цьому вчені стикаються з так званим прокляттям розмірності: чим більше стадій і реагентів в реакції, тим експоненціально більше часу йде на перебір всіх можливих параметрів цієї реакції — комбінацій і співвідношень обсягів і концентрацій реагентів, часу їх взаємодії і так далі.
Тому цілком логічним напрямком досліджень стало використання методів машинного навчання з автоматизованими методами постановки експериментів в хімії і матеріалознавстві, що призвело до створення «самокерованих лабораторій» (self-driving labs, SDL). Такі системи, керовані нейромережевими алгоритмами, здатні досліджувати і вирішувати проблеми хімії і матеріалознавства з неймовірною швидкістю і ефективністю. Нейронні мережі тут застосовуються для правильної обробки даних попереднього експерименту і вибору оптимальних параметрів для постановки наступного.
Раніше створені концепції SDL, включаючи цілі лабораторні приміщення, інтегровані з робототехнікою і мікрорідинними реакційними системами, залишаються вузькоспеціалізованими під вирішення завдань з добре вивченими обмеженими просторами параметрів. Щоб SDL отримали дійсно широке поширення, технології повинні подолати два основних бар’єру при роботі зі складними багатостадійними хімічними процесами: то саме прокляття розмірності і брак даних.
Група американських дослідників з Університету штату Північна Кароліна і Університету Буффало спробувала вирішити ці проблеми і розробила AlphaFlow — SDL під керуванням нейронної мережі, що навчається за методом навчання з підкріпленням. Крім того, AlphaFlow включає в себе модульні блоки обробки рідини — високоефективні проточні мікрофлюїдні реактори. Детальний опис своєї розробки вчені виклали в статті, опублікованій в журналі Nature Communications.
Коротка схема роботи AlphaFlow / © Volk A.A., et al., Nature Communications, 2023
За словами авторів, AlphaFlow здатна автономно і незалежно досліджувати, вчитися і оптимізувати багатоступінчасті реакції зі складністю простору параметрів, що перевищує 40 вимірювань, на відміну від застосовуваних раніше хемоінформатичних і ретросинтетичних методів планування експериментів. В якості демонстрації можливостей AlphaFlow вивчила і оптимізувала послідовність реакцій для синтезу квантових точок з ядром з селеніду кадмію і оболонкою з сульфіду кадмію без будь-якої попередньої підготовки і знань навіть про правильну послідовності додавання реагентів.
AlphaFlow має відкритий вихідний код, оскільки вчені вважають важливим ділитися високоякісними, відтвореними і стандартизованими експериментальними даними — і вдалими, і невдалими.
Зараз дослідники шукають партнерів як в науковому співтоваристві, так і в приватному секторі, щоб почати використовувати AlphaFlow для вирішення широкого кола хімічних завдань.