将 ScienceAI设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编辑 | 紫罗
AI 和机器人实验的结合是实现自动化材料探索的关键。如果 AI 系统可以承担一些通常由人类研究人员执行的信息任务，并且机器人系统可以执行所需的物理任务，那么材料探索实验就可以自动进行。
这样的平台将有助于寻找创新材料，提出新的实验可能性，并控制检查它们的机器人系统。
近日，日本国立材料研究所（National Institute for Materials Science，NIMS）的研究人员将 AI 和机器人实验系统结合起来，进行了开创性的概念验证研究。
具体而言，研究人员开发了 Python 库：NIMS-OS（NIMS Orchestration System），旨在实现机器人实验和 AI 的闭环，无需人工干预，实现自动化材料探索。它使用各种模块组合来自主运行。每个模块都充当材料探索的 AI 或机器人实验的控制器。
图 1：通过 NIMS-OS 结合 AI 算法和机器人系统的图像。（来源：论文）
该研究以「NIMS-OS: an automation software to implement a closed loop between artificial intelligence and robotic experiments in materials science」为题，发布在《Science and Technology of Advanced Materials: Methods》上。
NIMS-OS 中的流程以及每个 Python 脚本角色
简单介绍一下 NIMS-OS 的规范。首先，应提前准备列出实验条件作为材料搜索空间的候选文件。闭环按照以下三个步骤形成：
图 2：NIMS-OS 中的流程以及每个 Python 脚本的角色。（来源：论文）
步骤 1：使用 AI 模型从候选文件中选择有希望的实验条件。
步骤 2：为机器人实验创建输入文件并执行实验。
步骤 3：分析实验的输出并根据实验结果更新候选文件。
目前，以下 AI 算法用作模块，可用于步骤 1：(i) 基于贝叶斯优化 (PHYSBO) 的 PHYSics 优化工具，(ii) BoundLess Objective-free eXploration (BLOX) ，以及 (iii) 相图构建 (PDC) 方法和随机探索 (RE) 方法可以根据材料探索工作的目的进行选择。对于步骤 2 和 3，提供了用于机器人实验的 STANdard 模块 (STAN)，即使没有设备也可以进行操作检查，以及用于 NIMS 自动化机器人电化学实验 (NAREE) 的模块。
还包括结果的可视化工具，允许用户实时检查优化结果。可以轻松添加新创建的 AI 和机器人实验模块，以扩展系统的功能。此外，研究人员还开发了一个 GUI 应用程序来控制 NIMS-OS。
NIMS-OS 有效性证明
为了证明 NIMS-OS 在自动化机器人实验应用中的有效性，研究人员将 NIMS-OS 应用于 NAREE 系统，并对能够最大限度地提高锂金属电极性能的多组分电解质进行了探索。
以 LiFePO4 为正极、Cu 箔作为负极，制备了无阳极型微板电化学电池。电池在充电过程中容量限制为 0.05mAh。之后，对电池进行放电处理。将放电时间定义为一维目标函数。放电时间越长代表电池性能越好（容量越高）。使用这样的实验设置，优化了电解质添加剂的组合，以最大限度地延长放电时间。
从 16 种化合物列表中选择五种不同的添加剂（表 1），并将其注入含有 TEGDME 中的 1 M LiTFSI 的电化学电池中。在这种情况下，电解质添加剂组合的候选数量为
。在实验中，在一块微板上制备了 32 个电化学电池，并在 2 小时内并行进行 32 个实验。
表 1：使用 NAREE 系统自动探索新电解质时使用的 16 种添加剂列表。对于所有添加剂，溶剂固定为 TEGDME。（来源：论文）
图 3 为总共 384 个实验的目标函数的时间过程和结果的直方图分布。结果清楚地表明，在第 7 个实验循环时发现了最佳电解质成分。
图 3：使用 NAREE 系统自动探索电解质的 NIMS-OS 的输出结果。（来源：论文）
表 2 总结了可延长放电时间的前 10 个样品的电解质成分的详细信息。
表 2：延长放电时间的前 10 种组合物。还显示找到的周期数。（来源：论文）
含有 100 mM LiPF6、100 mM LiTFSI、2 vol.% PC、2 vol.% FEC 和 2 vol.% VC 的电解液的最高放电时间为 1439.09 s。应当注意，由于放电期间的电流密度被设置为 0.1mA，所以可能的最大放电时间为 1800s。因此，电池性能仍有很大的提升空间。另外，可以看出，前 10 个样本中大部分都包含 VC、FEC。这些结果与本领域的知识基本一致，即 VC 和 FEC 对于提高锂金属电极的性能具有积极作用。
NIMS-OS 探索了使锂金属电池中电极性能最大化的电解质的选择，利用机器人组装到电化学电池中的系统，并进行充放电循环来分析其性能。结果清楚地确定了更好的电解质组成，并表明目前商业上广泛使用的电解质还有改进的空间。
NIMS 材料基础研究中心的物理学家兼软件工程师 Ryo Tamura 表示：「我们的 NIMS-OS 现在作为开源软件在广泛使用的 GitHub 网站上公开提供，我们现在计划进一步开发它，使其能够与许多不同类型的机器人实验系统一起工作。」
GitHub 开源地址：https://github.com/nimsos-dev/nimsos
论文链接：https://doi.org/10.1080/27660400.2023.2232297
参考内容：https://techxplore.com/news/2023-08-loop-artificial-intelligence-robotic.html
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。
继续阅读
阅读原文