Les laboratoires de chimie pilotés par l'IA fonctionnent-ils vraiment ?
De nouveaux indicateurs promettent des réponses
Les domaines de la chimie et de la science des matériaux connaissent un regain d'intérêt pour les "laboratoires autonomes", qui utilisent l'intelligence artificielle (IA) et les systèmes automatisés pour accélérer la recherche et la découverte. Les chercheurs proposent aujourd'hui une série de définitions et de mesures de performance qui permettront aux chercheurs, aux non-experts et aux futurs utilisateurs de mieux comprendre à la fois ce que font ces nouvelles technologies et comment chaque technologie se comporte par rapport à d'autres laboratoires autonomes.
Les laboratoires autonomes sont extrêmement prometteurs pour accélérer la découverte de nouvelles molécules, de nouveaux matériaux et de nouveaux procédés de fabrication, avec des applications allant des appareils électroniques aux produits pharmaceutiques. Bien que ces technologies soient encore relativement récentes, certaines d'entre elles ont permis de réduire le temps nécessaire à l'identification de nouveaux matériaux de plusieurs mois ou années à quelques jours.
"Les laboratoires autopilotés suscitent actuellement beaucoup d'intérêt, mais ces technologies soulèvent de nombreuses questions", explique Milad Abolhasani, auteur correspondant d'un article sur les nouvelles mesures et professeur agrégé d'ingénierie chimique et biomoléculaire à l'université d'État de Caroline du Nord. Cette technologie est décrite comme étant "autonome", mais les équipes de recherche définissent le terme "autonome" différemment. De même, les différentes équipes de recherche rendent compte des différents éléments de leur travail de différentes manières. Il est donc difficile de comparer ces technologies entre elles, alors que la comparaison est importante si nous voulons apprendre les uns des autres et faire avancer le domaine.
"Qu'est-ce que le laboratoire d'auto-conduite A fait de très bien ? Comment pourrions-nous l'utiliser pour améliorer les performances du laboratoire B ? Nous proposons un ensemble de définitions et de mesures de performance communes qui, nous l'espérons, seront adoptées par tous ceux qui travaillent dans ce domaine. L'objectif final sera de nous permettre d'apprendre les uns des autres et de faire progresser ces puissantes technologies d'accélération de la recherche.
"Par exemple, il semble que les laboratoires de conduite autonome soient confrontés à des difficultés liées aux performances, à la précision et à la robustesse de certains systèmes autonomes", explique M. Abolhasani. "Cela soulève des questions quant à l'utilité de ces technologies. Si nous disposons de mesures normalisées et de rapports sur les résultats, nous pourrons identifier ces problèmes et mieux comprendre comment les résoudre."
La nouvelle proposition s'articule autour d'une définition claire des laboratoires de conduite autonome et de sept mesures de performance proposées, que les chercheurs incluraient dans tout travail publié relatif à leurs laboratoires de conduite autonome.
- Degré d'autonomie : dans quelle mesure un système a-t-il besoin d'être guidé par les utilisateurs ?
- Durée de vie opérationnelle : combien de temps le système peut-il fonctionner sans intervention des utilisateurs ?
- Rendement : combien de temps faut-il au système pour réaliser une seule expérience ?
- Précision expérimentale : quel est le degré de reproductibilité des résultats du système ?
- Utilisation de matériel : quelle est la quantité totale de matériel utilisée par un système pour chaque expérience ?
- Espace de paramètres accessible : dans quelle mesure le système peut-il prendre en compte toutes les variables de chaque expérience ?
- L'efficacité de l'optimisation.
"L'efficacité de l'optimisation est l'une des mesures les plus importantes, mais aussi l'une des plus complexes - elle ne se prête pas à une définition concise", explique M. Abolhasani. "Essentiellement, nous voulons que les chercheurs analysent quantitativement les performances de leur laboratoire autonome et de son algorithme de sélection des expériences en les comparant à une base de référence - par exemple, l'échantillonnage aléatoire.
"En fin de compte, nous pensons que l'adoption d'une approche normalisée pour rendre compte des laboratoires autonomes contribuera à garantir que ce domaine produit des résultats fiables et reproductibles qui tirent le meilleur parti des programmes d'IA qui capitalisent sur les vastes ensembles de données de haute qualité produits par les laboratoires autonomes", ajoute M. Abolhasani.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
