Группа американских исследователей в области химической инженерии разработала самоуправляемую лабораторию, способную выявлять и оптимизировать сложные многоступенчатые пути реакций для синтеза как новых, так и уже известных материалов и молекул. Во время демонстрации концепции система под управлением нейронной сети нашла более эффективный способ производства высококачественных полупроводниковых нанокристаллов, которые используются в оптических и фотонных устройствах.
Многоступенчатый синтез химических соединений — по-настоящему трудоемкая область научных исследований. Нередко, чтобы разработать новый целевой материал или оптимизировать метод синтеза определенного химического вещества, требуется труд десятков специалистов на протяжении нескольких лет. При этом ученые сталкиваются с так называемым проклятием размерности: чем больше стадий и реагентов в реакции, тем экспоненциально больше времени уходит на перебор всех возможных параметров этой реакции — комбинаций и соотношений объемов и концентраций реагентов, времени их взаимодействия и так далее.
Поэтому вполне логичным направлением исследований стало использование методов машинного обучения с автоматизированными методами постановки экспериментов в химии и материаловедении, что привело к созданию «самоуправляемых лабораторий» (self-driving labs, SDL). Такие системы, управляемые нейросетевыми алгоритмами, способны исследовать и решать проблемы химии и материаловедения с невероятными скоростью и эффективностью. Нейронные сети здесь применяются для правильной обработки данных предыдущего эксперимента и выбора оптимальных параметров для постановки следующего.
Ранее созданные концепции SDL, включая целые лабораторные помещения, интегрированные с робототехникой и микрожидкостными реакционными системами, остаются узкоспециализированными под решение задач с хорошо изученными ограниченными пространствами параметров. Чтобы SDL получили действительно широкое распространение, технологии должны преодолеть два основных барьера при работе со сложными многостадийными химическими процессами: то самое проклятие размерности и нехватку данных.
Группа американских исследователей из Университета штата Северная Каролина и Университета Буффало попыталась решить эти проблемы и разработала AlphaFlow — SDL под управлением нейронной сети, обучающейся по методу обучения с подкреплением. Кроме того, AlphaFlow включает в себя модульные блоки обработки жидкости — высокоэффективные проточные микрофлюидные реакторы. Подробное описание своей разработки ученые изложили в статье, опубликованной в журнале Nature Communications.
По словам авторов, AlphaFlow способна автономно и независимо исследовать, учиться и оптимизировать многоступенчатые реакции со сложностью пространства параметров, превышающей 40 измерений, в отличие от применяемых ранее хемоинформатических и ретросинтетических методов планирования экспериментов. В качестве демонстрации возможностей AlphaFlow изучила и оптимизировала последовательность реакций для синтеза квантовых точек с ядром из селенида кадмия и оболочкой из сульфида кадмия без какой-либо предварительной подготовки и знаний даже о правильной последовательности добавления реагентов.
«Мы показали, что AlphaFlow может проводить больше экспериментов, чем 100 химиков, за тот же период времени, при этом используя менее 0,01% соответствующих химикатов. Он эффективно миниатюризирует и ускоряет эксперименты, выполняет те же лабораторные операции, для которых потребовалась бы целая лаборатория экспериментальной химии. И все это — на платформе размером с чемодан. Чрезвычайно эффективно», — отметил последний автор статьи Милад Абольхасани (Milad Abolhasani), профессор химической и биомолекулярной инженерии в Университете штата Северная Каролина.
AlphaFlow имеет открытый исходный код, поскольку ученые считают важным делиться высококачественными, воспроизводимыми и стандартизированными экспериментальными данными — и удачными, и неудачными.
Сейчас исследователи ищут партнеров как в научном сообществе, так и в частном секторе, чтобы начать использовать AlphaFlow для решения широкого круга химических задач.