211service.com
En robotforsker vil opfinde nye materialer til at fremme databehandling og bekæmpe forurening
Ms. Tech
I et laboratorium med udsigt over en travl shoppinggade i Cambridge, Massachusetts, forsøger en robot at skabe nye materialer.
En robotarm dypper en pipette i et fad og overfører en lille smule lys væske til en af mange beholdere, der sidder foran en anden maskine. Når alle prøverne er klar, tester den anden maskine deres optiske egenskaber, og resultaterne føres til en computer, der styrer armen. Software analyserer resultaterne af disse eksperimenter, formulerer et par hypoteser og starter derefter processen forfra. Mennesker er næppe nødvendige.
Opsætningen, udviklet af en startup kaldet Kebotix , antyder, hvordan maskinlæring og robotautomatisering kan være klar til at revolutionere materialevidenskab i de kommende år. Virksomheden mener, at det kan finde nye forbindelser, der blandt andet kan absorbere forurening, bekæmpe medicinresistente svampeinfektioner og tjene som mere effektive optoelektroniske komponenter. Virksomhedens software lærer af 3-D-modeller af molekyler med kendte egenskaber.
Softwarealgoritmer bruges allerede til at designe kemiske forbindelser og materialer, men processen er langsom og rå. Normalt tester en maskine blot små variationer af et materiale, blindt på jagt efter en levedygtig ny kreation. Maskinlæring og robotteknologi kan gøre processen meget hurtigere og mere effektiv. Kebotix er en af flere startups, der arbejder på denne idé.
Målet er at bruge maskinlæring til at generere kandidatmaterialer. Opdagelsen er for langsom, siger Jill Becker, CEO for Kebotix. Du har en idé til et materiale, du prøver at lave det, og du tester det. Få ideer bliver testet, med endnu færre resultater.
Grundlæggerne af Kebotix: Alán Aspuru-Guzik, Dennis Sheberla, Jill Becker, Semion Saikin og Christoph Kreisbeck. Udlånt af Kebotix
Kebotix bruger flere maskinlæringsmetoder til at designe nye kemiske forbindelser. Virksomheden leverer molekylære modeller af forbindelser med ønskværdige egenskaber ind i en type neuralt netværk, der lærer en statistisk repræsentation af disse egenskaber. Denne algoritme kan så komme med nye eksempler, der passer til samme model.
Kebotix bruger også et andet netværk til at luge ud designs, der går for langt fra originalen og derfor sandsynligvis vil være ubrugelige. Derefter tester virksomhedens robotsystem de resterende kemiske strukturer. Resultaterne af disse eksperimenter kan føres tilbage til maskinlæringsrørledningen, hvilket hjælper den med at komme tættere på de ønskede kemiske egenskaber. Virksomheden kalder det overordnede system for et selvkørende laboratorium.
Christoph Kreisbeck, virksomhedens produktchef, siger, at Kebotix vil begynde at arbejde med molekyler til elektroniske applikationer og derefter forsøge at tackle nye polymerer og legeringer.
AI forudsiger og planlægger, hvad der skal ske næste gang; robotautomatiseringssystemet tester meget hurtigt vores nye molekyle, siger Kreisbeck. Maskinen kan lære af databasen og træffe en bedre beslutning til næste runde.
Kebotix blev grundlagt af forskere, der arbejder i Harvard-laboratoriet i Alan Aspuru-Guzik , der forlod Harvard tidligere på året for at bygge et laboratorium ved University of Toronto i Canada. Kebotix, som er baseret på MITs VC-firma Motoren , modtog for nylig $5 millioner i startfinansiering. Investeringsrunden blev ledet af One Way Ventures , et investeringsfirma, der er specialiseret i at finansiere immigrantiværksættere. Alle Kebotix' stiftende teammedlemmer er immigranter til USA.
Klavs Jensen , en professor i MITs kemiingeniørafdeling, leder et laboratorium, der udvikler automatiserede tilgange til at udtænke nyttige nye kemikalier, herunder metoder, der kombinerer maskinlæring og robotteknologi. Han siger, at fangsten er, at sådanne metoder har en tendens til at kræve enorme mængder data, hvilket generelt er tidskrævende og vanskeligt at indsamle. Dette bliver også mere udfordrende, efterhånden som materialerne bliver mere komplicerede. Man kan helt sikkert meget, siger Jensen. Men som alt andet handler det om kvaliteten af dataene.
Jensen siger, at automatisering, som allerede er almindeligt i medicinalindustrien, vil få stadig større betydning i materialeforskningen. Det vil ikke erstatte eksperten, siger han, men du vil være i stand til at gøre tingene meget hurtigere.