Los investigadores han demostrado una nueva técnica que permite que los “laboratorios de autoinformación” recopilen al menos 10 veces más datos que las técnicas anteriores a velocidad de registro. Avance: que se publica en Ingeniería química de la naturaleza – Acelera lumicamente el descubrimiento de materiales, al tiempo que reduce los costos y los efectos ambientales.
Los laboratorios de autoinformación son plataformas robóticas que conectan el aprendizaje automático y la automatización con ciencia química y material para descubrir el material más rápidamente. El algoritmo de aprendizaje automático de procesos automáticos nos permite usar datos de cada experiencia cuando predice qué hacer para lograr cualquier propósito se programó en el sistema.
Según un artículo de Chemicals and Biocoral Engineering en la Universidad Estatal de Carolina del Norte, el autor, Milad Abu Talasani, dice: “Si los científicos usan un mero material para el norte del norte, usan el norte del norte, y usan el material para el norte del norte”, dice Milad Abullasani, “si los científicos usan energía limpia, nuevas eléctricas o una electrónica sostenible en lugar de años en lugar de años. Trabajo y profesor de Alkova, el autor dice Abul Hassani.
Hasta ahora, los laboratorios de auto -drivación que utilizan reactores de flujo constantes se han basado en experiencias de flujo de estado estable. En estos experimentos, se mezclan diferentes frentes y reacciones químicas, mientras que el micro canal continúa fluyendo. El producto resultante se caracteriza por un edulcorante de los sensores después de que se completa la reacción.
“Este conjunto para los laboratorios de autoadulación ha tenido un efecto dramático en el descubrimiento del material para los laboratorios de conducción”, dice Abulsani. “Esto nos permite identificar candidatos materiales prometedores para aplicaciones específicas en lugar de años o semanas, al tiempo que reduce los costos laborales y los impactos ambientales. Sin embargo, todavía hay margen de mejora”.
Los experimentos de flujo de estado estable requieren un laboratorio de autoadeque para esperar la reacción química antes de la característica del material que resulta. Esto significa que el sistema es inútil mientras reacciona, lo que puede llevar una hora en cada experiencia.
“Ahora hemos creado un laboratorio de autoadeque que utiliza experimentos de flujo dinámico, donde el compuesto químico varía permanentemente en el sistema y se monitorea en tiempo real”, dice Abulsani. “En otras palabras, en lugar de operar muestras separadas a través del sistema después de llegar al estado estable y probarlas a la vez, hemos creado un sistema que no está operando principalmente. La muestra avanza a través del sistema y, debido a que el sistema nunca detiene la muestra, no podemos detener los datos.
“Por ejemplo, en lugar de tener un punto de datos sobre lo que surge después de 10 segundos de experiencia, tenemos 20 puntos de datos: después de 0.5 segundos de tiempo de reacción, uno después de un tiempo de reacción, y así sucesivamente. Esta es una película completa, en lugar de esperar una película completa, para ser una película completa.
La recopilación de datos más adicionales tiene un gran impacto en el rendimiento del laboratorio de auto -drivación.
“La parte más importante de cualquier laboratorio de auto -drive es el algoritmo de aprendizaje de la máquina que usa para predecir el sistema”, dice Abu Talasani. “Desde este punto de vista de datos de transmisión, el aprendizaje automático de laboratorio de auto drivación permite que el cerebro mejore, tome decisiones más rápidas, mejore el máximo contenido y proceso en una parte del tiempo. Esto se debe a que los datos experimentales de mayor calidad del algoritmo se logran y sus predicciones son más precisas.
En este trabajo, los investigadores encontraron el laboratorio de conducción en sí, que incluía el sistema de flujo dinámico que utilizaba al menos 10 veces más datos de datos que los laboratorios de conducción, que utilizaban experiencias estatales de flujo estable durante el mismo período, y lograron identificar a los mejores candidatos materiales en el primer intento después de la capacitación.
“Este progreso no se trata solo de ritmo”, dice Abulsani. “Al reducir el número de experimentos requeridos, el sistema reduce drásticamente el uso y los desechos químicos, y persigue métodos de investigación sostenibles.
“El futuro del descubrimiento del contenido no se trata solo de lo rápido que podemos ir, también se trata de cuánta responsabilidad tenemos allí”, dice Abulsani. “Nuestro punto de vista significa menos productos químicos, menos desechos y soluciones más rápidas para los desafíos más difíciles de la sociedad”.
Esta disertación, “la gravedad de los datos impulsados por el flujo para acelerar el descubrimiento de material independiente”, se publicará en la revista el 14 de julio. Ingeniería química de la naturaleza. Los autores de los compañeros del periódico son Fernando Delgado Lakuna, quien es un doctorado. Estudiante en el estado de Carolina del Norte; Abdul Rahman Al -Sari, un estudiante principal en NC State. Y la ex universitaria Hannah Deckers en el estado de Carolina del Norte. Este artículo fue escrito conjuntamente por Philip Reclamo, que fue universitario en el estado de Carolina del Norte. Europe Stare, el antiguo investigador post documental del estado de Carolina del Norte; Richard Kent y Jeffrey Bennett, Investigadores Post documentales actuales en el estado de Carolina del Norte. Pragian Jha, Nicholai Bees, Jinbin Lee y Sina Sadigi, PhD. Estudiantes en el estado de Carolina del Norte; Fazal Batini, un ex doctorado. Estudiante en el estado de Carolina del Norte; Y Enrique A. Lopez-Gojardo de Technology de Munnernry.
Esto se realizó bajo la Fundación Nacional de Ciencias bajo las subvenciones 1940959, 2315996 y 2420490. Y del Programa de Iniciativas de Oportunidades de Investigación de la Universidad de Carolina del Norte.
