NIMS-OS: An automation software to implement a closed loop between artificial intelligence and robotic experiments in materials science

NIMS-OS ist eine Open-Source-Python-Bibliothek und GUI-Anwendung, die eine vollständig automatisierte, geschlossene Materialforschung ermöglicht, indem sie diverse KI-Algorithmen mit robotischen Experimentiersystemen wie NAREE integriert, um autonom neue Materialien wie Elektrolyte zu entdecken.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, das perfekte Rezept für einen Kuchen zu finden, aber statt einer Küche haben Sie eine riesige Bibliothek mit 4.000 verschiedenen Zutatenkombinationen. Ein menschlicher Koch könnte einige probieren, raten, was funktionieren könnte, und es erneut versuchen, aber es würde Jahre dauern, bis man die absolut beste findet.

Stellen Sie sich nun vor, Sie haben einen superklugen Roboter-Koch und einen Genie-Kritiker, die niemals schlafen, niemals müde werden und niemals Fehler machen. Genau das beschreibt die Arbeit „NIMS-OS", jedoch für die Entdeckung neuer Materialien (wie bessere Batterieflüssigkeiten) statt für Kuchen.

Hier ist die einfache Aufschlüsselung, wie dieses System funktioniert:

Das Problem: Die „Nadel im Heuhaufen"

In der Materialwissenschaft wollen Wissenschaftler die beste Kombination von Chemikalien finden, um Dinge wie Batterien besser funktionieren zu lassen. Es gibt so viele mögliche Kombinationen, dass es unmöglich ist, sie alle von Hand zu testen. Es ist wie der Versuch, eine spezifische Nadel in einem Heuhaufen von der Größe eines Berges zu finden.

Die Lösung: NIMS-OS (Der „Dirigent")

Die Autoren haben ein Softwaresystem namens NIMS-OS (NIMS Orchestration System) entwickelt. Denken Sie an diese Software als einen Dirigenten in einem Orchester.

• Die Musiker: Sie haben verschiedene „KI-Algorithmen" (die klugen Kritiker) und „Roboterarme" (die Roboter-Köche).
• Der Dirigent: NIMS-OS sagt der KI, wann sie einen Vorschlag machen soll, und sagt dem Roboter, wann er die Chemikalien mischen soll. Es verbindet die beiden, sodass sie in einem perfekten Kreislauf zusammenarbeiten, ohne dass ein Mensch auf Knöpfe drücken muss.

Wie der Kreislauf funktioniert (Der „Dreischritt-Tanz")

Das System läuft in einem kontinuierlichen Zyklus ab, wie ein Spiel von „Heiß und Kalt":

1. Die Vermutung (KI): Die KI betrachtet eine Liste aller möglichen chemischen Rezepte (die „Kandidaten-Datei"). Basierend auf dem, was sie bisher gelernt hat, wählt sie die vielversprechendsten Rezepte aus, die als Nächstes versucht werden sollen.
   • Analogie: Die KI ist wie ein Detektiv, der sagt: „Basierend auf den Hinweisen befindet sich der Täter wahrscheinlich in dieser Nachbarschaft. Lassen Sie uns zuerst diese drei Häuser überprüfen."
2. Die Aktion (Roboter): Die Software sendet ein Signal an den Roboter. Der Roboter mischt automatisch die Chemikalien, gibt sie in eine Testzelle und führt das Experiment durch.
   • Analogie: Der Roboter ist der Partner des Detektivs, der tatsächlich zu den Häusern geht und an die Türen klopft.
3. Das Ergebnis (Update): Der Roboter beendet den Test und sendet die Daten zurück. Die Software aktualisiert die Liste und markiert, welche Rezepte gut funktioniert haben und welche nicht. Dann betrachtet die KI die neuen Daten und wählt die nächsten besten Vermutungen aus.
   • Analogie: Der Partner kommt zurück und sagt: „Haus A war leer, aber Haus B hatte einen Hinweis!" Der Detektiv nutzt diese neuen Informationen, um das nächste Haus auszuwählen, das er überprüfen soll.

Die Werkzeuge in der Werkzeugkiste

Die Arbeit erklärt, dass NIMS-OS flexibel ist. Sie können die „Musiker" im Orchester austauschen:

• Verschiedene KI-Gehirne: Sie können verschiedene Arten von KI-Logik verwenden. Einige sind gut darin, den absolut besten Gipfel zu finden (Bayessche Optimierung), einige sind gut darin, seltsame, unbekannte Bereiche zu erkunden (Boundless Exploration), und einige sind gut darin, ganze Landschaften zu kartieren (Phasendiagramme).
• Verschiedene Roboterhände: Sie können verschiedene Roboter anschließen. Die Autoren testeten es mit einem spezifischen System namens NAREE, einem Roboter, der entwickelt wurde, um Flüssigkeiten zu mischen und Batterieflüssigkeiten automatisch zu testen.

Der Realwelt-Test: Die Batterie-Jagd

Um zu beweisen, dass es funktioniert, nutzte das Team NIMS-OS, um nach einem besseren Elektrolyten (der Flüssigkeit in einer Batterie) für Lithium-Metall-Batterien zu suchen.

• Das Setup: Sie hatten 16 verschiedene chemische Zusätze zur Auswahl. Sie wollten die beste Mischung aus 5 Zusätzen finden.
• Der Prozess:
  1. Zuerst versuchte der Roboter zufällig 32 Mischungen, nur um einige Startdaten zu erhalten (wie das Probieren einiger zufälliger Kuchen).
  2. Dann übernahm die KI. Sie analysierte die Ergebnisse und sagte dem Roboter genau, welche 32 Mischungen als Nächstes versucht werden sollten.
  3. Dies geschah automatisch für 10 Stunden am Stück, ohne dass ein Mensch etwas berührte.
• Das Ergebnis: Bis zur 7. Testrunde fand das System ein Rezept, das deutlich besser performte als die anderen. Es entdeckte, dass eine Mischung mit spezifischen Chemikalien (wie VC und FEC) am besten funktionierte, was mit dem übereinstimmt, was menschliche Experten bereits wussten, aber der Roboter fand es viel schneller und ohne Ermüdung.

Warum das wichtig ist

Die Arbeit argumentiert, dass der größte Durchbruch nicht nur der Roboter oder die KI allein ist, sondern die Software, die sie verbindet.

• Standardisierung: Vorher musste jedes Labor seinen eigenen benutzerdefinierten Code schreiben, um seinen spezifischen Roboter mit seiner spezifischen KI zu verbinden. NIMS-OS bietet ein universelles „Plug-and-Play"-System.
• Keine menschlichen Fehler: Da der Kreislauf geschlossen ist, wird der Roboter nicht müde und die KI wird nicht abgelenkt. Sie optimiert einfach weiter, bis die Arbeit erledigt ist.

Kurz gesagt ist NIMS-OS eine universelle Fernbedienung, die es einem Computerhirn erlaubt, mit einem Roboter-Körper zu sprechen, sodass sie neue Materialien eigenständig, rund um die Uhr, entdecken können.

Technische Zusammenfassung

1. Problemstellung

Die Integration von Künstlicher Intelligenz (KI) und robotischen Experimenten ist entscheidend für die Beschleunigung der automatisierten Materialexploration. Obwohl in beiden Bereichen – KI-Algorithmen (z. B. Bayessche Optimierung) und robotische Hardware – erhebliche Fortschritte erzielt wurden, besteht weiterhin ein Hauptengpass: das Fehlen eines generischen Steuerungssoftwaresystems.

• Aktuelle Einschränkung: Bestehende Steuerungssysteme werden typischerweise „Fall für Fall" entwickelt, wobei spezifische KI-Algorithmen eng mit spezifischer robotischer Hardware verknüpft sind. Dies erschwert den Austausch von Algorithmen oder Hardware, ohne die gesamte Steuerungslogik neu schreiben zu müssen.
• Der Bedarf: Es besteht ein Bedarf an einem modularen, standardisierten Orchestrierungssystem, das eine geschlossene Schleife zwischen diversen KI-Modellen und verschiedenen robotischen experimentellen Aufbauten ohne menschliches Eingreifen herstellen kann und so eine echte autonome Materialentdeckung ermöglicht.

2. Methodik: NIMS-OS-Architektur

Die Autoren entwickelten NIMS-OS (NIMS Orchestration System), eine Python-basierte Bibliothek, die als generische Middleware fungieren soll. Sie entkoppelt KI-Algorithmen von robotischen Systemen durch eine modulare Architektur.

Kernarbeitsablauf

Das System arbeitet in einer geschlossenen Schleife, die aus drei Hauptschritten besteht:

1. Auswahl (KI): Ein KI-Modul wählt vielversprechende experimentelle Bedingungen aus einer vordefinierten „Kandidatendatei" (dem Suchraum) aus.
2. Ausführung (Roboter): Das System generiert Eingabedateien für das robotische System und löst das Experiment aus.
3. Analyse und Aktualisierung: Das System analysiert die experimentelle Ausgabe, extrahiert Werte der Zielfunktion und aktualisiert die Kandidatendatei, um neue Daten für die nächste Iteration widerzuspiegeln.

Hauptkomponenten

• Kandidatendatei: Eine CSV-Datei, die den Materialsuchraum definiert (z. B. Zusammensetzungen, Prozessparameter). Sie enthält Spalten für Deskriptoren (Eingang) und Werte der Zielfunktion (Ausgang), die anfangs leer sind und im Verlauf der Experimente gefüllt werden.
• KI-Module (Schritt 1): NIMS-OS implementiert Standard-Schnittstellen für verschiedene Algorithmen:
  • PHYSBO: Bayessche Optimierung (BO) unter Verwendung von Gauß-Prozess-Regression und Thompson-Sampling für die Multi-Objective-Optimierung.
  • BLOX: Boundless Objective-Free Exploration, das Stein-Diskrepanz verwendet, um „neugierige" Materialien zu finden und eine gleichmäßige Stichprobenziehung im Raum der Zielfunktionen sicherzustellen.
  • PDC: Phasendiagramm-Erstellung mittels Active Learning (Unsicherheitsstichproben), um Phasengrenzen mit minimalen Experimenten zu kartieren.
  • RE: Zufällige Exploration, verwendet zur Generierung von Anfangsdaten oder Baselines.
• Robotische Module (Schritte 2 & 3):
  • STAN: Ein Referenz- (virtuelles) Modul, das den robotischen Arbeitsablauf simuliert (Erstellen von Eingabedateien, Senden von Startsignalen, Warten auf Abschluss und Lesen von Ausgabedateien). Dies ermöglicht Softwaretests ohne physische Hardware.
  • NAREE: Ein spezifisches Modul für das NIMS Automated Robotic Electrochemical Experiments-System, das einen Flüssigkeits-Dispenser, eine elektrochemische Messeinheit und einen Roboterarm für die Hochdurchsatz-Screening von Elektrolyten umfasst.
• Visualisierung: Integrierte Tools (nimsos.visualization) zum Darstellen des Optimierungsverlaufs, der Verteilungen der Zielfunktion und von Phasendiagrammen in Echtzeit.

3. Hauptbeiträge

• Generisches Orchestrierungssystem: NIMS-OS ist die erste Software, die eine standardisierte Schnittstelle bietet, die es jedem KI-Algorithmus ermöglicht, jedes robotische System zu steuern, indem einfach Module ausgetauscht werden. Dies fördert die Interoperabilität und reduziert die Entwicklungszeit für neue automatisierte Labore.
• Standardisierung: Die Autoren haben Standard-Ein-/Ausgabeformate für KI-Algorithmen und robotische Systeme etabliert. Dies ermöglicht es, neue Algorithmen sofort auf vorhandener Hardware zu testen und umgekehrt.
• Dual-Schnittstelle: Das System ist als Python-Bibliothek für Entwickler und als GUI-Anwendung zur einfachen Bedienung durch Nicht-Programmierer verfügbar.
• Skalierbarkeit: Das modulare Design ermöglicht die einfache Hinzufügung neuer KI-Strategien oder robotischer Hardware und erleichtert so die Erweiterung des Ökosystems.

4. Experimentelle Ergebnisse

Um die Wirksamkeit des Systems zu demonstrieren, führten die Autoren eine autonome Exploration von multikomponentigen Elektrolyten für Lithium-Metall-Batterien unter Verwendung des NAREE-Systems durch.

• Aufbau:
  • Suchraum: Kombinationen von 5 Additiven, ausgewählt aus einem Pool von 16 Verbindungen (4.368 mögliche Kombinationen).
  • Ziel: Maximierung der Entladezeit (Proxy für die Batteriekapazität).
  • Hardware: 32 parallele Experimente pro Mikrotiterplatte durchgeführt.
• Prozess:
  • Zyklus 1: Zufällige Exploration (RE) wurde zur Generierung von Anfangsdaten verwendet.
  • Zyklen 2–12: Bayessche Optimierung (PHYSBO) wurde verwendet, um iterativ bessere Kandidaten auszuwählen.
  • Dauer: Das System lief 10 Stunden lang vollständig autonom ohne menschliches Eingreifen und führte 384 Experimente über 12 Zyklen hinweg durch.
• Ergebnis:
  • Die optimale Elektrolytzusammensetzung wurde im 7. Zyklus identifiziert.
  • Bestes Ergebnis: Eine Zusammensetzung mit 100 mM LiPF6, 100 mM LiTFSI, 2 Vol.-% PC, 2 Vol.-% FEC und 2 Vol.-% VC erreichte eine Entladezeit von 1439,09 Sekunden (nahe dem theoretischen Maximum von 1800 s).
  • Validierung: Die Top-10-Ergebnisse enthielten konsistent Vinylencarbonat (VC) und/oder Fluorethylencarbonat (FEC), was mit etabliertem Domänenwissen über deren positive Effekte auf Lithium-Metall-Elektroden übereinstimmt.

5. Bedeutung und Ausblick

• Beschleunigung der Entdeckung: NIMS-OS zeigt, dass ein geschlossenes Schleifensystem die Zeit zur Entdeckung hochleistungsfähiger Materialien erheblich verkürzen kann, indem es den Zyklus der Hypothesengenerierung und -prüfung automatisiert.
• Technische Standards: Durch die Etablierung eines gemeinsamen Rahmens senkt NIMS-OS die Einstiegshürden für die Schaffung automatisierter Labore, was potenziell zu Kostensenkungen und einer erhöhten Adoption von Robotik in den Materialwissenschaften führt.
• Zukünftige Richtungen: Die Autoren planen, die Bibliothek um weitere KI-Algorithmen und robotische Module zu erweitern. Sie betonen zudem die Notwendigkeit verbesserter Datenmanagementfähigkeiten, um die großen Datenmengen zu bewältigen, die von autonomen Systemen generiert werden, und positionieren NIMS-OS als Schlüsselinstrument für die digitale Transformation (DX) in den Materialwissenschaften.

Zusammenfassend stellt NIMS-OS einen bedeutenden Schritt hin zum Paradigma des „selbstfahrenden Labors" dar und bietet die notwendige Softwareinfrastruktur, um KI-Entscheidungsfindung und robotische Ausführung nahtlos für die automatisierte Materialentdeckung zu integrieren.