Det presserende behov for en overgang til bæredygtige energikilder kræver en betydelig acceleration af traditionelle forsknings- og udviklingscyklusser. Selvkørende laboratorier (SDL’er), drevet af kunstig intelligens (AI), kunne spille en central rolle i denne transformation.
I et perspektivpapir i tidsskriftet NaturkatalyseForskere fra teoriafdelingen ved Fritz Haber Institute diskuterer den rolle, som mennesker spiller i fremtiden for sådanne selvkørende laboratorier til katalyseforskning.
Et selvkørende laboratorium integrerer AI med labautomation og robotik. AI -planer eksperimenter, der udføres i stadig mere automatiserede (robotiserede) moduler. I praksis forekommer denne proces i aktive-læringsløjfer, hvor dataene fra den sidste sløjfe bruges til at forfine en maskinlæringsmodel. AI bruger derefter denne model til at planlægge de efterfølgende eksperimenter i den næste loop. På denne måde udføres kun disse synteser, karakteriseringer og tests, der er mest informative på grundlag af alle forudgående indsamlede data. Samtidig forbedrer automatiseringen gennemstrømning, reproducerbarhed og sikkerhed-fremmede en betydelig acceleration sammenlignet med traditionelle menneskelige-ledede udviklingsprocesser.
I tidlige implementeringer af dette koncept til at opdage forbedrede katalysatormaterialer ligger fokus ofte på at erstatte menneskelige opgaver med syntese robotter. Forskere Christoph Scheurer og Karsten Reuter understreger i stedet, at det mest tidskrævende trin i sådanne typer katalyseforskning typisk er den eksplicitte test af materialerne. I betragtning af den stigende betydning af bæredygtighed skal nedbrydningsadfærden af materialerne i reaktoren overvåges over lang tid. Derfor er det mere sandsynligt, at gennemstrømningsforbedringer opnås ved at udvikle nye testprocedurer, der er specifikt designet til SDL’er, snarere end blot at automatisere eksisterende procedurer.
Især når gennemstrømning forbliver begrænset, er AI’s rolle i eksperimentplanlægning afgørende. Jo færre løkker, der skal udføres, jo bedre. Også her vil mennesker fortsat spille en vigtig rolle i en overskuelig fremtid. Mens den nuværende AIS kan bestemme optimale eksperimenter inden for en given samlet ramme, kan de endnu ikke stille spørgsmålstegn ved denne ramme eller endda omdefinere de videnskabelige spørgsmål selv. For tiden er disse kreative opgaver forbliver domænet for mennesker, hvilket kræver en menneskelig kontrolfunktion i sløjferne.
Forfatterne går således ind for “Human-in-the-Loop” -princippet og analyserer dens konsekvenser for AI-udvikling i SDL’er. Ikke mindst skal AIS være i stand til at reagere fleksibelt, robust og tilgængeligt for menneskelige ændringer af loopstrukturerne – en metodologisk udfordring, der allerede allerede er behandlet ved løbende forskning i teoriens afdeling.