Quantitative control and recording of materials-synthesis processes using an automated experimentation platform

Das Streben nach besseren Materialien – stärkeren Legierungen, effizienteren Batterien oder intelligenteren Katalysatoren – beruhte lange Zeit auf einem langsamen, menschlichen Prozess von Versuch und Irrtum. Wissenschaftler mischen Chemikalien, erhitzen sie und beobachten die Ergebnisse in der Hoffnung, zufällig auf eine Kombination zu stoßen, die funktioniert. Doch menschliche Hände sind nicht perfekt ruhig, und menschliche Beschreibungen wie „langsam mischen“ oder „zugeben, bis es trüb wird“, sind interpretationsbedürftig. Wenn ein Forscher „langsam“ sagt, meint ein anderer damit vielleicht etwas völlig anderes. Dieser Mangel an Präzision macht es schwierig, Experimente exakt zu wiederholen, was ein großes Hindernik für das moderne Feld der datengesteuerten Materialwissenschaft darstellt. Um Computer zu lehren, wie man neue Materialien vorhersagt, benötigen Forscher riesige Mengen an hochwertigen Daten, bei denen jeder einzelne Schritt des Experiments mit exakten Zahlen aufgezeichnet wurde. Wenn die Daten vage sind, werden auch die Vorhersagen des Computers vage sein. Die Herausforderung besteht daher nicht nur darin, Maschinen zu bauen, die Chemikalien mischen können, sondern Systeme zu entwickeln, die in der Lage sind, die unsichtbaren Details des Prozesses zu messen und aufzuzeichnen, die Menschen oft übersehen.

In einer kürzlich durchgeführten Studie widmete sich ein Team von Forschern der Tohoku-Universität in Japan diesem Problem, indem sie eine einfache, Open-Source-Plattform entwickelten, die darauf ausgelegt ist, das Mischen chemischer Lösungen mit extremer Präzision zu automatisieren. Anstatt ein vollautonomes Robotersystem anzustreben, das in der Lage ist, jedes beliebige Experiment von Grund auf zu entwerfen und durchzuführen, konzentrierten sie sich auf ein praktischeres Ziel: die Schaffung eines zuverlässigen Systems, das eine spezifische Aufgabe immer und immer wieder ausführen kann, während es jedes winzige Detail darüber aufzeichnet, wie sie ausgeführt wurde. Sie kombinierten handelsübliche Werkzeuge wie Roboterarme und elektrische Pipetten mit maßgeschneiderten 3D-gedruckten Teilen und einem Kamerasystem. Eine zentrale Innovation war der Einsatz eines KI-Agenten, um den Computercode zu schreiben, der die Roboter steuert. Dies ermöglichte es, das System leicht an verschiedene Aufbauten anzupassen, ohne ein Team von Expertenprogrammierern zu benötigen. Die Forscher testeten diese Plattform durch die Synthese von ZIF-8, einer Art metallorganischem Gerüst, einem porösen Material, das nützlich für die Gasspeicherung und Katalyse ist. Das Ziel war es zu sehen, ob die Maschine den Mischprozess besser kontrollieren kann als ein Mensch und, was noch wichtiger ist, ob sie aufzeigen kann, wie spezifische, schwer messbare Faktoren das Endprodukt beeinflussen.

Das Experiment beinhaltete das Mischen zweier flüssiger Lösungen zur Herstellung des ZIF-8-Materials. In einem traditionellen Labor würde ein Wissenschaftler eine manuelle Pipette verwenden, um die zweite Lösung zur ersten hinzuzufügen. Die Geschwindigkeit, mit der man die Pipettenbirne zusammendrückt, ist meist eine Frage des Gefühls und wird in Laborbüchern nur als „langsam“ oder „schnell“ beschrieben. In diesem automatisierten System verwendeten die Forscher elektrische Pipetten, die auf neun verschiedene Geschwindigkeitsstufen eingestellt werden konnten, die von einem sehr langsamen Gießen, das etwa zehn Sekunden dauert, bis zu einem schnellen Schütten, das weniger als eine Sekunde dauert, reichten. Sie führten die Synthese mehrfach durch und wechselten dabei zwischen der langsamsten, einer mittleren und der schnellsten Einstellung. Die Ergebnisse waren bemerkenswert. Während die chemische Zusammensetzung des endgültigen weißen Pulvers in jedem Durchgang identisch war, änderte sich die Partikelgröße drastisch, abhängig davon, wie schnell die Flüssigkeit hinzugefügt wurde. Wenn die Lösung langsam hinzugefügt wurde, waren die resultierenden Partikel größer. Wenn sie schnell hinzugefügt wurde, waren die Partikel kleiner. Diese Beziehung war so konsistent, dass die Forscher die Partikelgröße allein durch Kenntnis der während des Mischens verwendeten Geschwindigkeitsstufe vorhersagen konnten.

Was diese Entdeckung ermöglichte, war die Fähigkeit des Systems, eine Variable zu quantifizieren, die normalerweise ignoriert wird. In manuellen Experimenten wird die Zugabegeschwindigkeit selten gemessen oder aufgezeichnet; sie ist lediglich ein vager Teil des Verfahrens. Da sie nicht nachverfolgt wurde, blieb ihr Einfluss auf das Material verborgen. Die automatisierte Plattform behandelte die Dosiergeschwindigkeit jedoch als eine präzise Zahl, genau wie Temperatur oder Gewicht. Durch die Aufzeichnung dieser Zahl bei jedem Durchgang konnten die Forscher beweisen, dass die Mischgeschwindigkeit ein dominanter Faktor bei der Bestimmung der endgültigen Partikelgröße war. Sie bestätigten dies durch die Messung der Partikelgrößen mit spezialisierter Ausrüstung und fanden heraus, dass der Trend bei wiederholten Durchläufen Bestand hatte. Das System erfasste auch Bilder der Mischung während ihrer Entstehung und zeigte, wie sich die weiße Suspension je nach Geschwindigkeit unterschiedlich absetzte, was eine visuelle Dokumentation lieferte, die mit den numerischen Daten übereinstimmte. Diese Detailtiefe offenbarte, dass die Anweisungen „langsam“ und „schnell“ in alten Labormanualen tatsächlich die grundlegende Physik der Kristallbildung steuerten – ein Detail, das zuvor verloren gegangen war.

Die Studie demonstrierte zudem, dass dieses Maß an Kontrolle und Aufzeichnung erreicht werden kann, ohne einen komplexen, teuren Superroboter bauen zu müssen. Der gesamte Aufbau wurde unter Verwendung kommerziell erhältlicher Komponenten und 3D-gedruckter Halterungen konstruiert, wobei alle Designdateien und der Computercode kostenlos zur Verfügung gestellt wurden. Dieser Ansatz senkt die Barriere für andere Labore, ähnliche Automatisierungen einzuführen. Durch das Teilen der Blaupausen und der Software hoffen die Forscher, einen Wandel in der Art und Weise zu fördern, wie Experimente durchgeführt werden. Anstatt sich auf die Intuition eines einzelnen Experten zu verlassen, kann sich die wissenschaftliche Gemeinschaft zu standardisierten, hoch reproduzierbaren Prozessen bewegen, bei denen jede Variable bekannt und aufgezeichnet ist. Die Forscher merkten an, dass das System das menschliche Urteilsvermögen nicht vollständig ersetzte, aber erfolgreich die repetitiven, präzisionskritischen Aufgaben bewältigte, bei denen Menschen Schwierigkeiten haben, eine beständige Leistung zu erbringen. Diese Kooperation zwischen menschlicher Aufsicht und maschineller Präzision ermöglicht die Sammlung der Art von hochwertigen Daten, die benötigt werden, um KI-Modelle zu trainieren, damit diese neue Materialien schneller und zuverlässiger entdecken können.

Letztendlich zeigt die Arbeit, dass der Weg zu besseren Materialien nicht unbedingt in komplexeren Robotern liegen muss, sondern in besseren Daten. Indem sie vage Anweisungen in exakte Zahlen umwandelten, deckten die Forscher eine direkte Verbindung zwischen der Art und Weise, wie eine Chemikalie gemischt wird, und dem Aussehen des fertigen Materials auf. Sie bewiesen, dass die Geschwindigkeit des Hinzufügens einer Flüssigkeit nicht nur ein nebensächliches Detail ist, sondern ein mächtiger Hebel zur Steuerung der Eigenschaften eines Materials. Dieser Befund legt nahe, dass viele andere Materialien versteckte Abhängigkeiten von Prozessdetails haben könnten, die jahrzehntelang übersehen wurden. Mit einer Plattform, die diese Details automatisch aufzeichnen kann, können Wissenschaftler beginnen, eine umfassende Bibliothek darüber aufzubauen, wie Materialien hergestellt werden, was den Weg für eine Zukunft ebnet, in der das Design neuer Substanzen durch präzise, reproduzierbare Daten statt durch Raten geleitet wird. Die Studie kommt zu dem Schluss, dass die Zukunft der Materialwissenschaft davon abhängt, die vollständige Geschichte des Experiments zu erfassen, nicht nur das Endergebnis, und dass einfache, transparente Automatisierung der Schlüssel dazu ist, diese Geschichte klar zu schreiben.