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

NIMS-OS is een open-source Python-bibliotheek en GUI-toepassing die volledig geautomatiseerde, gesloten-lus materiaalverkenning mogelijk maakt door diverse AI-algoritmen te integreren met robotische experimentele systemen, zoals NAREE, om autonoom nieuwe materialen zoals elektrolyten te ontdekken.

De kern

Stel je voor dat je probeert het perfecte cake-recept te vinden, maar in plaats van een keuken heb je een enorme bibliotheek met 4.000 verschillende ingrediëntencombinaties. Een menselijke chef-kok zou een paar kunnen proeven, raden wat misschien werkt, en het opnieuw proberen, maar het zou jaren duren om de absolute beste te vinden.

Stel je nu voor dat je een super-slimme robotchef en een geniale voedselcriticus hebt die nooit slapen, nooit moe worden en nooit fouten maken. Dit is precies wat het artikel "NIMS-OS" beschrijft, maar dan voor het ontdekken van nieuwe materialen (zoals betere batterijvloeistoffen) in plaats van cakes.

Hier is de eenvoudige uitleg van hoe dit systeem werkt:

Het Probleem: De "Naald in een Hooiberg"

In de materiaalkunde willen wetenschappers de beste combinatie van chemicaliën vinden om dingen zoals batterijen beter te laten werken. Er zijn zo veel mogelijke combinaties dat het testen ervan allemaal met de hand onmogelijk is. Het is als proberen een specifieke naald te vinden in een hooiberg ter grootte van een berg.

De Oplossing: NIMS-OS (De "Dirigent")

De auteurs hebben een softwaresysteem gebouwd dat NIMS-OS (NIMS Orchestration System) heet. Denk aan deze software als een dirigent in een orkest.

• De Musici: Je hebt verschillende "AI-algoritmen" (de slimme critici) en "Roboterarmen" (de robotchefs).
• De Dirigent: NIMS-OS vertelt de AI wanneer een suggestie moet doen en vertelt de robot wanneer de chemicaliën moeten worden gemengd. Het verbindt de twee zodat ze samenwerken in een perfecte lus zonder dat een mens op knoppen hoeft te drukken.

Hoe de Lus Werkt (De "Drie-Stappen Dans")

Het systeem draait in een continue cyclus, zoals een spel van "Warm en Koud":

1. De Gissing (AI): De AI kijkt naar een lijst met alle mogelijke chemische recepten (het "Kandidatenbestand"). Gebaseerd op wat het tot nu toe heeft geleerd, kiest het de meest veelbelovende recepten om als volgende te proberen.
   • Analogie: De AI is als een detective die zegt: "Gebaseerd op de aanwijzingen zit de dader waarschijnlijk in deze wijk. Laten we eerst deze drie huizen controleren."
2. De Actie (Robot): De software stuurt een signaal naar de robot. De robot mengt automatisch de chemicaliën, plaatst ze in een testcel en voert het experiment uit.
   • Analogie: De robot is de partner van de detective die daadwerkelijk naar de huizen gaat en op de deuren klopt.
3. Het Resultaat (Update): De robot voltooit de test en stuurt de gegevens terug. De software werkt de lijst bij, waarbij wordt gemarkeerd welke recepten goed werkten en welke niet. Vervolgens bekijkt de AI de nieuwe gegevens en kiest de volgende beste gissingen.
   • Analogie: De partner komt terug en zegt: "Huis A was leeg, maar Huis B had een aanwijzing!" De detective gebruikt die nieuwe informatie om het volgende huis te kiezen om te controleren.

De Gereedschappen in de Gereedschapskist

Het artikel legt uit dat NIMS-OS flexibel is. Je kunt de "musici" in het orkest vervangen:

• Verschillende AI-hersenen: Je kunt verschillende soorten AI-logica gebruiken. Sommigen zijn goed in het vinden van de absolute beste piek (Bayesian Optimization), sommigen zijn goed in het verkennen van vreemde, onbekende gebieden (Boundless Exploration), en sommigen zijn goed in het in kaart brengen van hele landschappen (Fasediagrammen).
• Verschillende Robot-handen: Je kunt verschillende robots aansluiten. De auteurs hebben het getest met een specifiek systeem genaamd NAREE, een robot die is ontworpen om vloeistoffen te mengen en batterijvloeistoffen automatisch te testen.

De Wereldse Test: De Batterijjacht

Om te bewijzen dat het werkt, gebruikte het team NIMS-OS om te jagen op een betere elektrolyt (de vloeistof binnenin een batterij) voor lithium-metaalbatterijen.

• De Opstelling: Ze hadden 16 verschillende chemische additieven om uit te kiezen. Ze wilden de beste mix van 5 additieven vinden.
• Het Proces:
  1. Eerst probeerde de robot willekeurig 32 mixen om wat startgegevens te krijgen (zoals het proeven van een paar willekeurige cakes).
  2. Vervolgens nam de AI het over. Het analyseerde de resultaten en vertelde de robot precies welke 32 mixen als volgende te proberen.
  3. Dit gebeurde automatisch gedurende 10 uur achter elkaar zonder dat een mens iets aanraakte.
• Het Resultaat: Bij de 7e ronde van testen vond het systeem een recept dat aanzienlijk beter presteerde dan de anderen. Het ontdekte dat een mix met specifieke chemicaliën (zoals VC en FEC) het beste werkte, wat overeenkomt met wat menselijke experts al wisten, maar de robot vond het veel sneller en zonder vermoeidheid.

Waarom Dit Belangrijk Is

Het artikel betoogt dat de grootste doorbraak niet alleen de robot of de AI is, maar de software die ze verbindt.

• Standaardisatie: Voorheen moest elk laboratorium zijn eigen aangepaste code schrijven om hun specifieke robot met hun specifieke AI te verbinden. NIMS-OS biedt een universeel "plug-and-play"-systeem.
• Geen Menselijke Fouten: Omdat de lus gesloten is, wordt de robot niet moe en raakt de AI niet afgeleid. Het blijft gewoon optimaliseren tot het werk klaar is.

Kortom, NIMS-OS is een universele afstandsbediening die een computergeest laat praten met een robotlichaam, waardoor ze zelfstandig nieuwe materialen kunnen ontdekken, 24/7.

Technische samenvatting

1. Probleemstelling

De integratie van Kunstmatige Intelligentie (KI) en robotische experimenten is cruciaal voor het versnellen van de geautomatiseerde verkenning van materialen. Hoewel aanzienlijke vooruitgang is geboekt in zowel KI-algoritmen (bijv. Bayesiaanse Optimalisatie) als robotische hardware, blijft een belangrijke bottleneck bestaan: het ontbreken van een generiek besturingssysteem.

• Huidige Beperking: Bestaande besturingssystemen worden doorgaans "van geval tot geval" ontwikkeld, waarbij specifieke KI-algoritmen sterk zijn gekoppeld aan specifieke robotische hardware. Dit maakt het moeilijk om algoritmen of hardware te vervangen zonder de volledige besturingslogica te herschrijven.
• De Behoefte: Er is behoefte aan een modulair, gestandaardiseerd orchestratiesysteem dat een gesloten lus kan creëren tussen diverse KI-modellen en verschillende robotische experimentopstellingen zonder menselijke tussenkomst, waardoor ware autonome ontdekking van materialen mogelijk wordt.

2. Methodologie: NIMS-OS Architectuur

De auteurs hebben NIMS-OS (NIMS Orchestration System) ontwikkeld, een op Python gebaseerde bibliotheek die is ontworpen om te fungeren als generieke middleware. Het ontkoppelt KI-algoritmen van robotsystemen via een modulaire architectuur.

Kernworkflow

Het systeem werkt in een gesloten lus die bestaat uit drie hoofdstappen:

1. Selectie (KI): Een KI-module selecteert veelbelovende experimentele condities uit een vooraf gedefinieerd "kandidatenbestand" (de zoekruimte).
2. Uitvoering (Robot): Het systeem genereert invoerbestanden voor het robotsysteem en triggert het experiment.
3. Analyse & Update: Het systeem analyseert de experimentele output, extrahert waarden van de objectieve functie en werkt het kandidatenbestand bij om nieuwe data te reflecteren voor de volgende iteratie.

Belangrijke Componenten

• Kandidatenbestand: Een CSV-bestand dat de zoekruimte voor materialen definieert (bijv. samenstellingen, procesparameters). Het bevat kolommen voor beschrijvers (invoer) en waarden van de objectieve functie (uitvoer), die aanvankelijk leeg zijn en worden ingevuld naarmate de experimenten vorderen.
• KI-modules (Stap 1): NIMS-OS implementeert standaardinterfaces voor diverse algoritmen:
  • PHYSBO: Bayesiaanse Optimalisatie (BO) met behulp van Gaussische Proces-regressie en Thompson-sampling voor multi-objectieve optimalisatie.
  • BLOX: Boundless Objective-Free Exploration, dat gebruikmaakt van Stein-discrepantie om "nieuwsgierige" materialen te vinden en uniforme bemonstering in de objectieve ruimte te garanderen.
  • PDC: Fasendiagramconstructie met behulp van actief leren (onzekerheidsbemonstering) om fasegrenzen met minimale experimenten in kaart te brengen.
  • RE: Random Exploration, gebruikt voor het genereren van initiële data of baselines.
• Robotische modules (Stappen 2 & 3):
  • STAN: Een referentie (virtuele) module die de robotische workflow simuleert (invoerbestanden maken, startsignalen sturen, wachten op voltooiing en outputbestanden lezen). Dit maakt softwaretesten mogelijk zonder fysieke hardware.
  • NAREE: Een specifieke module voor het NIMS Automated Robotic Electrochemical Experiments-systeem, dat een vloeistofbehandelende dispenser, een elektrochemische meeteenheid en een robotarm omvat voor high-throughput screening van elektrolyten.
• Visualisatie: Ingebouwde tools (nimsos.visualization) om optimalisatiegeschiedenis, verdelingen van de objectieve functie en fasediagrammen in real-time te plotten.

3. Belangrijkste Bijdragen

• Generiek Orchestratiesysteem: NIMS-OS is de eerste software die een gestandaardiseerde interface biedt waardoor elk KI-algoritme elk robotsysteem kan besturen door simpelweg modules te verwisselen. Dit bevordert interoperabiliteit en vermindert de ontwikkeltijd voor nieuwe geautomatiseerde laboratoria.
• Standaardisatie: De auteurs hebben standaard invoer-/uitvoerformaten vastgesteld voor KI-algoritmen en robotsystemen. Hierdoor kunnen nieuwe algoritmen direct worden getest op bestaande hardware en vice versa.
• Dubbele Interface: Het systeem is beschikbaar als een Python-bibliotheek voor ontwikkelaars en als een GUI-toepassing voor gebruiksgemak voor niet-programmeurs.
• Schaalbaarheid: Het modulaire ontwerp maakt het eenvoudig om nieuwe KI-strategieën of robotische hardware toe te voegen, wat de uitbreiding van het ecosysteem faciliteert.

4. Experimentele Resultaten

Om de effectiviteit van het systeem aan te tonen, voerden de auteurs een autonome verkenning uit van meercomponenten-elektrolyten voor lithiummetaalbatterijen met behulp van het NAREE-systeem.

• Opstelling:
  • Zoekruimte: Combinaties van 5 additieven geselecteerd uit een pool van 16 verbindingen (4.368 mogelijke combinaties).
  • Doel: Maximaliseren van de ontladingstijd (proxy voor batterijcapaciteit).
  • Hardware: 32 parallelle experimenten uitgevoerd per microplaat.
• Proces:
  • Cyclus 1: Random Exploration (RE) werd gebruikt om initiële data te genereren.
  • Cyclus 2–12: Bayesiaanse Optimalisatie (PHYSBO) werd gebruikt om iteratief betere kandidaten te selecteren.
  • Duur: Het systeem draaide volledig autonoom gedurende 10 uur zonder menselijke tussenkomst, waarbij 384 experimenten werden voltooid over 12 cycli.
• Resultaat:
  • De optimale elektrolytsamenstelling werd geïdentificeerd in de 7e cyclus.
  • Beste Resultaat: Een samenstelling met 100 mM LiPF6, 100 mM LiTFSI, 2 vol.% PC, 2 vol.% FEC en 2 vol.% VC bereikte een ontladingstijd van 1439,09 seconden (naderend het theoretische maximum van 1800 s).
  • Validatie: De top 10 resultaten bevatten consistent Vinylene Carbonate (VC) en/of Fluoroethylene Carbonate (FEC), wat overeenkomt met gevestigde domeinkennis over hun positieve effecten op lithiummetaalelektroden.

5. Betekenis en Toekomstperspectief

• Versnelling van Ontdekking: NIMS-OS demonstreert dat een gesloten-lussysteem de tijd die nodig is voor de ontdekking van hoogwaardige materialen aanzienlijk kan verminderen door de cyclus van hypothese-generatie en testen te automatiseren.
• Technische Standaarden: Door een gemeenschappelijk kader te vestigen, verlaagt NIMS-OS de instapdrempel voor het creëren van geautomatiseerde laboratoria, wat mogelijk leidt tot kostenverlagingen en een toename van de adoptie van robotica in de materialenwetenschap.
• Toekomstige Richtingen: De auteurs plannen de bibliotheek uit te breiden met meer KI-algoritmen en robotische modules. Ze benadrukken ook de noodzaak van verbeterde datamanagementcapaciteiten om de grote hoeveelheden data die door autonome systemen worden gegenereerd, te verwerken, waarmee NIMS-OS wordt gepositioneerd als een sleutelinstrument voor Digitale Transformatie (DX) in de materialenwetenschap.

Concluderend vertegenwoordigt NIMS-OS een belangrijke stap naar het paradigma van de "zelfrijdende lab", waarbij de noodzakelijke software-infrastructuur wordt geboden om KI-besluitvorming naadloos te integreren met robotische uitvoering voor geautomatiseerde ontdekking van materialen.