L’automatisation flexible et l’intelligence artificielle permettent la planification itérative, l’exécution et l’apprentissage des expériences dans une boucle autonome.
Nles matériaux ew sont nécessaires pour répondre aux besoins sociétaux urgents de solutions énergétiques propres (par exemple, cellules solaires, batteries, CO2 utilisation). Le processus de découverte et d’optimisation de nouveaux matériaux prend de nombreuses années et ralentit la commercialisation de nouvelles technologies. Cet article examine comment l’automatisation flexible et l’intelligence artificielle offrent une opportunité de briser ce goulot d’étranglement et de raccourcir les délais de déploiement de plusieurs décennies à plusieurs années.
Découvrir un nouveau matériel utile est difficile à faire. Tous les matériaux contiennent un ou plusieurs ingrédients. Le choix des ingrédients et leurs rapports déterminent les performances du matériau. La performance des matériaux dépend également de la façon dont les ingrédients sont combinés. Par exemple, la combinaison d’atomes de carbone à des températures et des pressions extrêmes forme du diamant, l’un des matériaux les plus durs connus. Dans des conditions plus douces, cependant, les atomes de carbone forment du graphite, un matériau souple utilisé pour les crayons. En raison des nombreux ingrédients possibles et des nombreuses façons possibles de les combiner, il existe des milliards de matériaux possibles, dont la grande majorité ne sont pas utiles.
Trouver un matériau utile, c’est comme trouver une aiguille dans une botte de foin. Les scientifiques des matériaux se tournent donc vers des expériences automatisées alimentées par l’intelligence artificielle.
ACCÉLÉRATION DE LA DÉCOUVERTE DES MATÉRIAUX
Les voitures autonomes utilisent l’IA et les données des capteurs pour naviguer efficacement dans leurs environnements. De même, les scientifiques des matériaux construisent maintenant laboratoires autonomes qui utilisent l’IA et les données d’expériences robotiques pour naviguer efficacement vers de nouveaux matériaux performants.
Les laboratoires autonomes combinent l’automatisation flexible et l’intelligence artificielle pour planifier, exécuter et apprendre de manière itérative des expériences de science des matériaux dans une boucle autonome. Un chercheur initie cette boucle en définissant un objectif, tel que trouver un matériau à haute résistance ou conductivité électrique. Le laboratoire autonome commence alors à synthétiser de nouveaux matériaux. Cette tâche est effectuée par des robots qui combinent les ingrédients de différentes manières. Ces robots mesurent ensuite les performances des matériaux résultants à l’aide d’instruments scientifiques tels que des microscopes et des spectromètres.
Comme un véhicule autonome, un laboratoire autonome utilise les données de mesure pour construire et mettre à jour continuellement un modèle de son monde. Ce modèle permet à l’IA d’un laboratoire autonome de planifier l’expérience à effectuer ensuite pour atteindre efficacement son objectif. Cette planification d’expériences pilotée par l’IA facilite une exploration plus efficace des espaces de matériaux complexes que les méthodologies conventionnelles. En apprenant itérativement des expériences de cette manière, les laboratoires autonomes accélèrent la découverte de nouveaux matériaux utiles.
ADA : UN LABORATOIRE AUTONOME
Le Groupe Berlinguette travaille sur des technologies permettant de réduire ou d’inverser le CO2 émission. Ceux-ci incluent CO2 électrolyseurs, cellules solaires de nouvelle génération, systèmes de fabrication de produits chimiques durables et réacteurs à fusion. Dans chaque cas, des matériaux à couche mince améliorés sont nécessaires pour augmenter les performances et réduire le coût de ces technologies. Pour accélérer la découverte de ces matériaux, nous avons construit le premier laboratoire autonome au monde pour les films minces. Nous avons nommé ce laboratoire autonome “Ada » en l’honneur d’Ada Lovelace, la première programmeuse informatique au monde. Elle a commencé le développement d’algorithmes il y a plus de 150 ans pour un premier ordinateur mécanique. Sa vision — selon laquelle les ordinateurs peuvent faire bien plus que de simples calculs — nous inspire à repousser les limites de l’informatique en combinant la robotique avancée avec l’intelligence artificielle pour fabriquer, tester et apprendre de nouveaux matériaux à la volée.
Ada effectue automatiquement des expériences en science des matériaux à l’aide d’une nouvelle classe de robots collaboratifs conviviaux. Contrairement aux robots industriels dangereux, ces robots collaboratifs ont des limites de force qui les rendent sûrs à utiliser autour des personnes sans mesures de sécurité étendues. Les procédures expérimentales uniques utilisées dans la recherche sur les matériaux nécessitent souvent une automatisation spécialisée qui n’est pas disponible dans le commerce. Les robots collaboratifs permettent aux scientifiques des matériaux d’automatiser ces procédures. En conséquence, les robots collaboratifs prolifèrent dans la recherche sur les matériaux et les laboratoires autonomes sont plus faciles à construire que jamais.
Nous avons conçu Ada pour fabriquer et tester automatiquement de nouveaux films et revêtements minces. Ada étudie ces matériaux à l’aide d’un ensemble de stations reliées entre elles par un bras robot collaboratif à six axes. L’expérience commence à la station de mélange des précurseurs. Cette station utilise son propre robot à quatre axes plus petit pour mélanger soigneusement différentes combinaisons de produits chimiques pour former un matériau précurseur. Le bras robot à six axes fait ensuite passer ce matériau précurseur à une station robotisée de pulvérisation-revêtement. Le précurseur est ensuite revêtu sur un substrat en verre. Les propriétés de ce revêtement sont ensuite modifiées à l’aide de chaleur, de lumière ultraviolette ou de produits chimiques. Le matériau final en couche mince est transmis par le bras robotisé à des stations de test qui mesurent des propriétés telles que la conductivité, la rugosité et la réflectivité. Une fois qu’Ada a fabriqué et caractérisé un matériau, les données sont ajoutées à un ensemble de données qui inclut toutes les expériences précédentes. L’IA d’Ada utilise cet ensemble de données pour planifier la prochaine expérience.
L’IA SOUTIENT LA PRISE DE DÉCISION
Les experts humains prennent des décisions basées sur des modèles mentaux du monde. Ada, comme de nombreux systèmes autonomes, utilise un modèle mathématique pour décider de la prochaine action. Ada le fait en utilisant une technique connue sous le nom d’optimisation bayésienne. Cette technique d’optimisation itérative comporte deux étapes. Dans la première étape, Ada construit un modèle de la façon dont les propriétés des matériaux créés par les expériences robotiques répondent à chaque variable expérimentale. Dans la deuxième étape, Ada utilise ce modèle pour choisir l’expérience qui maximise la probabilité de découvrir un matériau amélioré. Ada commence immédiatement à effectuer cette prochaine expérience sans intervention humaine. Ada peut effectuer jusqu’à 100 cycles d’expérimentation et de prise de décision par jour. Cette approche itérative de la planification des expériences permet à Ada d’intégrer des matériaux de haute performance plus rapidement que ce qui est possible avec des expériences manuelles, qui ont tendance à explorer les variables d’une manière de recherche par grille. En bouclant la boucle reliant la synthèse des matériaux, les tests et la planification des expériences, Ada accélère la découverte et l’optimisation de nouveaux matériaux.
Nous utilisons Ada pour trouver des matériaux utiles plus rapidement que jamais. Notre première démonstration de ce laboratoire autonome a permis d’identifier l’équilibre optimal entre additifs et traitement thermique pour fabriquer un matériau de cellule solaire aux propriétés électroniques améliorées. Récemment, nous avons optimisé la conductivité des revêtements métalliques. Nous utilisons maintenant Ada pour étudier les matériaux d’électrocatalyseur pour créer des combustibles à partir d’air mince en utilisant du dioxyde de carbone et de l’électricité renouvelable.
AUTONOMIE ET AVENIR PLUS DURABLE
Parce que les propriétés d’un matériau dépendent de la façon dont il est traité, les découvertes faites à petite échelle en laboratoire ne se traduisent pas toujours directement par des applications réelles à plus grande échelle. Par exemple, un revêtement résistant à la corrosion qui fonctionne bien en laboratoire sur un petit coupon de test en métal peut subir des défaillances inattendues (par exemple, fissuration ou desquamation) lorsqu’il est appliqué sur un gros véhicule. La capacité d’Ada à utiliser le revêtement par pulvérisation est donc une caractéristique clé car le revêtement par pulvérisation est une technique de revêtement à grande échelle déjà utilisée dans de nombreuses industries (par exemple, l’aérospatiale, l’automobile, les piles à combustible, la fabrication du verre). Nous développons également de grandes cellules automatisées pour fournir des conditions de test plus réalistes pour les matériaux d’électrocatalyseur synthétisés par Ada. Ces outils permettront à Ada de faire plus rapidement des découvertes pertinentes sur le plan industriel.
Comme pour les véhicules autonomes, des algorithmes d’IA améliorés sont nécessaires pour les laboratoires autonomes. De nombreuses voitures autonomes combinent LiDAR, radar et images pour naviguer de manière fiable dans leurs environnements. La combinaison de plusieurs types de données est également essentielle pour rendre les laboratoires autonomes plus efficaces et fiables. Cependant, il ne suffit pas de simplement mesurer plusieurs propriétés du matériau. Comme les véhicules autonomes qui doivent équilibrer des objectifs concurrents tels que la sécurité et la vitesse, les matériaux sont soumis à de multiples objectifs concurrents (par exemple, la résistance et le poids). Parce que l’équilibre idéal des propriétés d’un matériau diffère d’une application à l’autre, nous utilisons des algorithmes de pointe pour cartographier efficacement les meilleurs compromis possibles entre les propriétés concurrentes. Nous explorons également l’utilisation d’algorithmes qui gèrent plus efficacement des problèmes réels tels que le bruit des capteurs. De nombreuses améliorations restent à venir en matière d’intelligence artificielle pour les laboratoires autonomes.
Les laboratoires autonomes exploitent l’IA et la robotique pour découvrir de nouveaux matériaux plus rapidement que jamais. Ces matériaux à faible coût et à haute performance alimenteront un éventail croissant de technologies d’énergie propre. Alors que la robotique devient plus facile à utiliser, la communauté des sciences des matériaux a encore beaucoup à apprendre sur la construction de systèmes autonomes. Les collaborations entre les scientifiques des matériaux et les experts des systèmes autonomes offrent l’occasion de progresser vers un avenir plus durable.
