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

NIMS-OS è una libreria Python open-source e un'applicazione con interfaccia grafica che abilita l'esplorazione completamente automatizzata e in ciclo chiuso dei materiali integrando diversi algoritmi di intelligenza artificiale con sistemi sperimentali robotici, come NAREE, per scoprire autonomamente nuovi materiali come gli elettroliti.

L'essenziale

Immagina di cercare la ricetta perfetta per una torta, ma invece di una cucina hai una biblioteca immensa di 4.000 diverse combinazioni di ingredienti. Uno chef umano potrebbe assaggiarne alcune, indovinare cosa potrebbe funzionare e riprovare, ma ci vorrebbero anni per trovare quella assolutamente migliore.

Ora, immagina di avere uno chef robot super-intelligente e un critico gastronomico geniale che non dormono mai, non si stancano mai e non commettono mai errori. È esattamente ciò che descrive il documento "NIMS-OS", ma per la scoperta di nuovi materiali (come fluidi per batterie migliori) invece che per le torte.

Ecco una semplice spiegazione di come funziona questo sistema:

Il Problema: L'Ago nel Pagliaio

Nella scienza dei materiali, gli scienziati vogliono trovare la migliore combinazione di sostanze chimiche per migliorare il funzionamento di cose come le batterie. Ci sono così tante combinazioni possibili che testarle tutte a mano è impossibile. È come cercare un ago specifico in un pagliaio grande quanto una montagna.

La Soluzione: NIMS-OS (Il "Direttore d'Orchestra")

Gli autori hanno creato un sistema software chiamato NIMS-OS (NIMS Orchestration System). Immagina questo software come un direttore d'orchestra.

• I Musicisti: Hai diversi "algoritmi di intelligenza artificiale" (i critici intelligenti) e "braccia robotiche" (gli chef robot).
• Il Direttore: NIMS-OS dice all'IA quando fare un suggerimento e dice al robot quando mescolare le sostanze chimiche. Collega i due in modo che lavorino insieme in un ciclo perfetto senza che un umano debba premere alcun pulsante.

Come Funziona il Ciclo (La "Danza in Tre Passi")

Il sistema gira in un ciclo continuo, come un gioco di "Caldo e Freddo":

1. L'Indovinata (IA): L'IA esamina un elenco di tutte le possibili ricette chimiche (il "File dei Candidati"). Basandosi su ciò che ha imparato finora, seleziona le ricette più promettenti da provare successivamente.
   • Analogia: L'IA è come un detective che dice: "Sulla base degli indizi, l'assassino è probabilmente in questo quartiere. Controlliamo prima queste tre case."
2. L'Azione (Robot): Il software invia un segnale al robot. Il robot mescola automaticamente le sostanze chimiche, le inserisce in una cella di prova ed esegue l'esperimento.
   • Analogia: Il robot è il partner del detective che effettivamente va alle case e bussa alle porte.
3. Il Risultato (Aggiornamento): Il robot termina il test e invia i dati indietro. Il software aggiorna l'elenco, segnando quali ricette hanno funzionato bene e quali no. Poi, l'IA esamina i nuovi dati e seleziona le prossime migliori ipotesi.
   • Analogia: Il partner torna indietro e dice: "La casa A era vuota, ma la casa B aveva un indizio!" Il detective usa quindi queste nuove informazioni per scegliere la prossima casa da controllare.

Gli Strumenti nella Cassetta degli Attrezzi

Il documento spiega che NIMS-OS è flessibile. Puoi sostituire i "musicisti" nell'orchestra:

• Diversi Cervelli IA: Puoi utilizzare diversi tipi di logica dell'intelligenza artificiale. Alcuni sono bravi a trovare il picco assoluto migliore (Ottimizzazione Bayesiana), altri sono bravi a esplorare aree strane e sconosciute (Esplorazione Illimitata) e altri sono bravi a mappare interi paesaggi (Diagrammi di Fase).
• Diverse Mani Robotiche: Puoi collegare robot diversi. Gli autori lo hanno testato con un sistema specifico chiamato NAREE, che è un robot progettato per mescolare liquidi e testare fluidi per batterie in modo automatico.

Il Test nel Mondo Reale: La Caccia alla Batteria

Per dimostrare che funziona, il team ha utilizzato NIMS-OS per cercare un elettrolita migliore (il liquido all'interno di una batteria) per le batterie al litio-metallo.

• La Configurazione: Avevano 16 diversi additivi chimici tra cui scegliere. Volevano trovare la migliore miscela di 5 additivi.
• Il Processo:
  1. Inizialmente, il robot ha provato casualmente 32 miscele solo per ottenere alcuni dati iniziali (come assaggiare alcune torte a caso).
  2. Poi, l'IA ha preso il sopravvento. Ha analizzato i risultati e ha detto al robot esattamente quali 32 miscele provare successivamente.
  3. Questo è avvenuto automaticamente per 10 ore consecutive senza che un umano toccasse nulla.
• Il Risultato: Entro il 7° round di test, il sistema ha trovato una ricetta che funzionava significativamente meglio delle altre. Ha scoperto che una miscela contenente sostanze chimiche specifiche (come VC e FEC) funzionava meglio, il che corrisponde a ciò che gli esperti umani sapevano già, ma il robot lo ha trovato molto più velocemente e senza stanchezza.

Perché Questo È Importante

Il documento sostiene che la più grande svolta non è solo il robot o l'IA da soli, ma il software che li collega.

• Standardizzazione: Prima di questo, ogni laboratorio doveva scrivere il proprio codice personalizzato per collegare il proprio robot specifico alla propria IA specifica. NIMS-OS fornisce un sistema universale "plug-and-play".
• Nessun Errore Umano: Poiché il ciclo è chiuso, il robot non si stanca e l'IA non si distrae. Continua semplicemente a ottimizzare finché il lavoro non è finito.

In breve, NIMS-OS è un telecomando universale che permette a un cervello informatico di parlare con un corpo robotico, consentendo loro di scoprire nuovi materiali da soli, 24 ore su 24, 7 giorni su 7.

Sommario tecnico

1. Enunciato del Problema

L'integrazione dell'Intelligenza Artificiale (AI) e degli esperimenti robotici è fondamentale per accelerare l'esplorazione automatizzata dei materiali. Sebbene siano stati compiuti progressi significativi sia negli algoritmi di AI (ad esempio, l'Ottimizzazione Bayesiana) che nell'hardware robotico, rimane un collo di bottiglia maggiore: la mancanza di un sistema di controllo software generico.

• Limitazione Attuale: I sistemi di controllo esistenti sono tipicamente sviluppati su base "caso per caso", accoppiando strettamente algoritmi di AI specifici con hardware robotico specifico. Ciò rende difficile sostituire algoritmi o hardware senza riscrivere l'intera logica di controllo.
• La Necessità: È necessario un sistema di orchestrazione modulare e standardizzato in grado di creare un ciclo chiuso tra diversi modelli di AI e varie configurazioni sperimentali robotiche senza intervento umano, permettendo così una vera scoperta autonoma dei materiali.

2. Metodologia: Architettura NIMS-OS

Gli autori hanno sviluppato NIMS-OS (NIMS Orchestration System), una libreria basata su Python progettata per agire come middleware generico. Essa disaccoppia gli algoritmi di AI dai sistemi robotici attraverso un'architettura modulare.

Flusso di Lavoro Principale

Il sistema opera in un ciclo chiuso composto da tre passaggi principali:

1. Selezione (AI): Un modulo AI seleziona condizioni sperimentali promettenti da un "file dei candidati" predefinito (lo spazio di ricerca).
2. Esecuzione (Robot): Il sistema genera file di input per il sistema robotico e avvia l'esperimento.
3. Analisi e Aggiornamento: Il sistema analizza l'output sperimentale, estrae i valori della funzione obiettivo e aggiorna il file dei candidati per riflettere i nuovi dati per la prossima iterazione.

Componenti Chiave

• File dei Candidati: Un file CSV che definisce lo spazio di ricerca dei materiali (ad esempio, composizioni, parametri di processo). Contiene colonne per i descrittori (input) e i valori della funzione obiettivo (output), inizialmente vuoti e popolati man mano che gli esperimenti procedono.
• Moduli AI (Passaggio 1): NIMS-OS implementa interfacce standard per vari algoritmi:
  • PHYSBO: Ottimizzazione Bayesiana (BO) che utilizza la regressione del Processo Gaussiano e il campionamento di Thompson per l'ottimizzazione multi-obiettivo.
  • BLOX: Esplorazione Senza Limiti e Senza Obiettivo (Boundless Objective-Free Exploration), che utilizza la discrepanza di Stein per trovare materiali "curiosi" e garantire un campionamento uniforme nello spazio degli obiettivi.
  • PDC: Costruzione del Diagramma di Fase utilizzando l'apprendimento attivo (campionamento dell'incertezza) per mappare i confini di fase con un numero minimo di esperimenti.
  • RE: Esplorazione Casuale, utilizzata per generare dati iniziali o baseline.
• Moduli Robotici (Passaggi 2 e 3):
  • STAN: Un modulo di riferimento (virtuale) che simula il flusso di lavoro robotico (creazione di file di input, invio di segnali di avvio, attesa del completamento e lettura dei file di output). Ciò consente test software senza hardware fisico.
  • NAREE: Un modulo specifico per il sistema NIMS Automated Robotic Electrochemical Experiments (Esperimenti Elettrochimici Robotizzati Automatizzati NIMS), che include un distributore per la manipolazione di liquidi, un'unità di misurazione elettrochimica e un braccio robotico per lo screening ad alto rendimento degli elettroliti.
• Visualizzazione: Strumenti integrati (nimsos.visualization) per tracciare in tempo reale la storia dell'ottimizzazione, le distribuzioni delle funzioni obiettivo e i diagrammi di fase.

3. Contributi Chiave

• Sistema di Orchestrazione Generico: NIMS-OS è il primo software a fornire un'interfaccia standardizzata che consente a qualsiasi algoritmo di AI di controllare qualsiasi sistema robotico semplicemente scambiando i moduli. Ciò promuove l'interoperabilità e riduce i tempi di sviluppo per nuovi laboratori automatizzati.
• Standardizzazione: Gli autori hanno stabilito formati di input/output standard per gli algoritmi di AI e i sistemi robotici. Ciò consente di testare immediatamente nuovi algoritmi su hardware esistente e viceversa.
• Interfaccia Doppia: Il sistema è disponibile come libreria Python per gli sviluppatori e come applicazione GUI per facilitare l'uso da parte di non programmatori.
• Scalabilità: Il design modulare consente l'aggiunta facile di nuove strategie di AI o hardware robotico, facilitando l'espansione dell'ecosistema.

4. Risultati Sperimentali

Per dimostrare l'efficacia del sistema, gli autori hanno condotto un'esplorazione autonoma di elettroliti multicomponente per batterie al litio metallico utilizzando il sistema NAREE.

• Configurazione:
  • Spazio di Ricerca: Combinazioni di 5 additivi selezionati da un pool di 16 composti (4.368 combinazioni possibili).
  • Obiettivo: Massimizzare il tempo di scarica (proxy per la capacità della batteria).
  • Hardware: 32 esperimenti paralleli eseguiti per micropiastra.
• Processo:
  • Ciclo 1: L'Esplorazione Casuale (RE) è stata utilizzata per generare dati iniziali.
  • Cicli 2–12: L'Ottimizzazione Bayesiana (PHYSBO) è stata utilizzata per selezionare iterativamente candidati migliori.
  • Durata: Il sistema è stato eseguito completamente in autonomia per 10 ore senza intervento umano, completando 384 esperimenti in 12 cicli.
• Esito:
  • La composizione ottimale dell'elettrolita è stata identificata al 7° ciclo.
  • Miglior Risultato: Una composizione contenente 100 mM LiPF6, 100 mM LiTFSI, 2 vol.% PC, 2 vol.% FEC e 2 vol.% VC ha raggiunto un tempo di scarica di 1439,09 secondi (avvicinandosi al massimo teorico di 1800s).
  • Validazione: I primi 10 risultati includevano costantemente il Carbonato di Vinilene (VC) e/o il Carbonato di Fluoroetilene (FEC), in linea con le conoscenze consolidate del dominio riguardo ai loro effetti positivi sugli elettrodi in litio metallico.

5. Significato e Prospettive Future

• Accelerazione della Scoperta: NIMS-OS dimostra che un sistema a ciclo chiuso può ridurre significativamente il tempo necessario per scoprire materiali ad alte prestazioni automatizzando il ciclo di generazione e test delle ipotesi.
• Standard Tecnici: Stabilendo un framework comune, NIMS-OS abbassa la barriera all'ingresso per la creazione di laboratori automatizzati, portando potenzialmente a riduzioni dei costi e a una maggiore adozione della robotica nella scienza dei materiali.
• Direzioni Future: Gli autori pianificano di espandere la libreria con più algoritmi di AI e moduli robotici. Sottolineano inoltre la necessità di capacità di gestione dei dati potenziate per gestire i grandi volumi di dati generati dai sistemi autonomi, posizionando NIMS-OS come strumento chiave per la Trasformazione Digitale (DX) nella scienza dei materiali.

In conclusione, NIMS-OS rappresenta un passo significativo verso il paradigma del "laboratorio a guida autonoma", fornendo l'infrastruttura software necessaria per integrare senza soluzione di continuità il processo decisionale dell'AI con l'esecuzione robotica per la scoperta automatizzata dei materiali.