211service.com
En robotforskare kommer att skapa nya material för att främja datoranvändning och bekämpa föroreningar
Ms. Tech
I ett laboratorium som har utsikt över en livlig shoppinggata i Cambridge, Massachusetts, försöker en robot skapa nya material.
En robotarm doppar en pipett i en skål och överför en liten mängd ljus vätska till ett av många kärl som sitter framför en annan maskin. När alla prover är klara testar den andra maskinen deras optiska egenskaper och resultaten matas till en dator som styr armen. Programvaran analyserar resultaten av dessa experiment, formulerar några hypoteser och startar sedan processen om igen. Människor behövs knappt.
Installationen, utvecklad av en startup som heter Kebotix , tips om hur maskininlärning och robotautomatisering kan vara redo att revolutionera materialvetenskapen under de kommande åren. Företaget tror att det kan hitta nya föreningar som bland annat kan absorbera föroreningar, bekämpa läkemedelsresistenta svampinfektioner och fungera som mer effektiva optoelektroniska komponenter. Företagets programvara lär sig av 3D-modeller av molekyler med kända egenskaper.
Mjukvarualgoritmer används redan för att designa kemiska föreningar och material, men processen är långsam och grov. Vanligtvis testar en maskin helt enkelt små variationer av ett material och letar blint efter en livskraftig ny skapelse. Maskininlärning och robotik skulle kunna göra processen mycket snabbare och effektivare. Kebotix är en av flera startups som arbetar med denna idé.
Målet är att använda maskininlärning för att generera kandidatmaterial. Upptäckten går för långsamt, säger Jill Becker, VD för Kebotix. Du har en idé om ett material, du försöker göra det och testar det. Få idéer testas, med ännu färre resultat.
Grundarna av Kebotix: Alán Aspuru-Guzik, Dennis Sheberla, Jill Becker, Semion Saikin och Christoph Kreisbeck. Med tillstånd av Kebotix
Kebotix använder flera maskininlärningsmetoder för att designa nya kemiska föreningar. Företaget matar in molekylära modeller av föreningar med önskvärda egenskaper till en typ av neurala nätverk som lär sig en statistisk representation av dessa egenskaper. Denna algoritm kan sedan komma med nya exempel som passar samma modell.
Kebotix använder också ett annat nätverk för att sålla bort design som avviker för långt från originalet och därför sannolikt är värdelösa. Sedan testar företagets robotsystem de återstående kemiska strukturerna. Resultaten av dessa experiment kan matas tillbaka till pipeline för maskininlärning, vilket hjälper den att komma närmare de önskade kemiska egenskaperna. Företaget kallar det övergripande systemet till ett självkörande labb.
Christoph Kreisbeck, företagets produktchef, säger att Kebotix kommer att börja arbeta med molekyler för elektroniska applikationer och sedan försöka ta itu med nya polymerer och legeringar.
AI:n förutsäger och planerar vad som ska göras härnäst; robotautomationssystemet testar vår nya molekyl väldigt snabbt, säger Kreisbeck. Maskinen kan lära sig av databasen och fatta ett bättre beslut inför nästa omgång.
Kebotix grundades av forskare som arbetar i Harvard-labbet i Alan Aspuru-Guzik , som lämnade Harvard tidigare i år för att bygga på lab vid University of Toronto i Kanada. Kebotix, som är baserat på MIT:s VC-företag Motorn , fick nyligen 5 miljoner dollar i startfinansiering. Investeringsrundan leddes av One Way Ventures , ett värdepappersföretag som är specialiserat på att finansiera invandrade entreprenörer. Alla Kebotix grundande teammedlemmar är invandrare till USA.
Klavs Jensen , professor vid MIT:s kemiteknikavdelning, leder ett labb som utvecklar automatiserade metoder för att ta fram användbara nya kemikalier, inklusive metoder som kombinerar maskininlärning och robotik. Han säger att haken är att sådana metoder tenderar att kräva enorma mängder data, vilket i allmänhet är tidskrävande och svårt att samla in. Detta blir också mer utmanande eftersom materialen blir mer komplicerade. Man kan absolut göra mycket, säger Jensen. Men som allt annat handlar det om kvaliteten på datan.
Jensen säger att automation, som redan är vanligt i läkemedelsindustrin, kommer att bli allt viktigare inom materialforskningen. Det kommer inte att ersätta experten, säger han, men du kommer att kunna göra saker mycket snabbare.