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

De zoektocht naar betere materialen—sterkere legeringen, efficiëntere batterijen of slimmere katalysatoren—leunt al lang op een traag, menselijk proces van vallen en opstaan. Wetenschappers mengen chemicaliën, verhitten ze en observeren de resultaten, in de hoop per toeval een combinatie te vinden die werkt. Maar menselijke handen zijn niet perfect stabiel, en menselijke beschrijvingen zoals "langzaam mengen" of "toevoegen tot het troebel wordt" zijn vatbaar voor interpretatie. Wanneer de ene onderzoeker "langzaam" zegt, kan een ander daar iets heel anders onder verstaan. Dit gebrek aan precisie maakt het moeilijk om experimenten exact te herhalen, wat een grote hindernis vormt voor het moderne veld van datagestuurde materiaalkunde. Om computers te leren hoe ze nieuwe materialen kunnen voorspellen, hebben onderzoekers enorme hoeveelheden hoogwaardige data nodig waarbij elke stap van het experiment exact met getallen wordt vastgelegd. Als de data vaag is, zullen de voorspellingen van de computer ook vaag zijn. De uitdaging is dan ook niet alleen om machines te bouwen die chemicaliën kunnen mengen, maar om systemen te bouwen die de onzichtbare details van het proces kunnen meten en registreren die mensen vaak over het hoofd zien.

In een recente studie pakte een team onderzoekers van de Tohoku Universiteit in Japan dit probleem aan door een eenvoudig, open-source platform te bouwen dat ontworpen is om het mengen van chemische oplossingen met extreme precisie te automatiseren. In plaats van te streven naar een volledig autonome robot die elk experiment vanaf nul kan ontwerpen en uitvoeren, richtten zij zich op een praktischer doel: het creëren van een betrouwbaar systeem dat een specifieke taak herhaaldelijk kan uitvoeren terwijl het elk klein detail van de uitvoering registreert. Ze combineerden standaard gereedschappen, zoals robotarmen en elektrische pipetten, met op maat gemaakte 3D-geprinte onderdelen en een camerasysteem. Een belangrijke innovatie was het gebruik van een kunstmatige intelligentie-agent om de computercode te schrijven die de robots aanstuurt. Hierdoor kon het systeem gemakkelijk worden aangepast aan verschillende opstellingen zonder dat er een team van deskundige programmeurs nodig was. De onderzoekers testten dit platform door ZIF-8 te synthetiseren, een type metaal-organisch raamwerk, een poreus materiaal dat nuttig is voor gasopslag en katalyse. Het doel was om te zien of de machine het mengproces beter kon beheersen dan een mens en, belangrijker nog, of het kon onthullen hoe specifieke, moeilijk te meten factoren het eindproduct beïnvloeden.

Het experiment hield in dat twee vloeibare oplossingen werden gemengd om het ZIF-8-materiaal te creëren. In een traditioneel laboratorium zou een wetenschapper een handmatige pipette kunnen gebruiken om de tweede oplossing aan de eerste toe te voegen. De snelheid waarmee men de pipetbal indrukt, is meestal een kwestie van gevoel en wordt in laboratoriumdagboeken slechts beschreven als "langzaam" of "snel". In dit geautomatiseerde systeem gebruikten de onderzoekers elektrische pipetten die ingesteld konden worden op negen verschillende snelheidsniveaus, variërend van een zeer langzame gietbeurt van ongeveer tien seconden tot een snelle storting van minder dan één seconde. Ze voerden de synthese meerdere keren uit, waarbij ze afwisselden tussen de langzaamste, een gemiddelde en de snelste instellingen. De resultaten waren opmerkelijk. Hoewel de chemische samenstelling van het uiteindelijke witte poeder in elke run hetzelfde was, veranderde de grootte van de deeltjes drastisch afhankelijk van hoe snel de vloeistof werd toegevoegd. Wanneer de oplossing langzaam werd toegevoegd, waren de resulterende deeltjes groter. Wanneer deze snel werd toegevoegd, waren de deeltjes kleiner. Deze relatie was zo consistent dat de onderzoekers de deeltjesgrootte konden voorspellen door simpelweg de gebruikte snelheidsinstelling tijdens het mengen te weten.

Wat deze ontdekking mogelijk maakte, was het vermogen van het systeem om een variabele te kwantificeren die normaal gesproken genegeerd wordt. In handmatige experimenten wordt de snelheid van toevoeging zelden gemeten of geregistreerd; het is slechts een vaag onderdeel van de procedure. Omdat het niet werd bijgehouden, bleef het effect ervan op het materiaal verborgen. Het geautomatiseerde platform behandelde de dispensatiesnelheid echter als een precies getal, net als temperatuur of gewicht. Door dit getal elke keer vast te leggen, konden de onderzoekers bewijzen dat de mengsnelheid een dominante factor was bij het bepalen van de uiteindelijke deeltjesgrootte. Ze bevestigden dit door de deeltjesgrootte met gespecialiseerde apparatuur te meten en vonden dat de trend standhield bij herhaalde runs. Het systeem legde ook beelden vast van het mengsel terwijl het ontstond, wat liet zien hoe de witte suspensie zich anders afzette afhankelijk van de snelheid, wat een visueel verslag gaf dat overeenkwam met de numerieke gegevens. Dit niveau van detail onthulde dat de instructies "langzaam" en "snel" in oude laboratoriumhandleidingen eigenlijk de fundamentele fysica van de kristalvorming aanstuurden, een detail dat voorheen verloren ging in de vertaling.

De studie toonde ook aan dat dit niveau van controle en registratie bereikt kon worden zonder de bouw van een complexe, dure superrobot. De hele opstelling werd geconstrueerd met commercieel beschikbare componenten en 3D-geprinte houders, waarbij alle ontwerpbestanden en de computercode gratis beschikbaar werden gesteld aan andere wetenschappers. Deze aanpak verlaagt de drempel voor andere laboratoria om soortgelijke automatisering toe te passen. Door de blauwdrukken en de software te delen, hopen de onderzoekers een verschuiving te stimuleren in de manier waarop experimenten worden uitgevoerd. In plaats van te vertrouwen op de intuïtie van een enkele expert, kan de wetenschappelijke gemeenschap bewegen naar gestandaardiseerde, hoog reproduceerbare processen waarbij elke variabele bekend en geregistreerd is. De onderzoekers merkten op dat hoewel het systeem de menselijke oordeelsvorming niet volledig verving, het erin slaagde de repetitieve, precisiegevoelige taken te handelen die mensen niet consistent kunnen uitvoeren. Deze samenwerking tussen menselijk toezicht en machinale precisie maakt de verzameling van het soort hoogwaardige data mogelijk dat nodig is om AI-modellen te trainen om nieuwe materialen sneller en betrouwbaarder te ontdekken dan ooit tevoren.

Uiteindelijk laat het werk zien dat de weg naar betere materialen misschien niet ligt in complexere robots, maar in betere data. Door vage instructies om te zetten in exacte getallen, ontdekten de onderzoekers een directe link tussen hoe een chemische stof wordt gemengd en hoe het uiteindelijke materiaal eruit ziet. Ze bewezen dat de snelheid van het toevoegen van een vloeistof niet slechts een klein detail is, maar een krachtige hendel voor het beheersen van de eigenschappen van een materiaal. Deze bevinding suggereert dat veel andere materialen verborgen afhankelijkheden hebben van procesdetails die decennialang over het hoofd zijn gezien. Met een platform dat deze details automatisch kan registreren, kunnen wetenschappers beginnen met het opbouwen van een uitgebreide bibliotheek van hoe materialen worden gemaakt, wat de weg vrijmaakt voor een toekomst waarin het ontwerp van nieuwe stoffen wordt geleid door precieze, reproduceerbare data in plaats van giswerk. De studie concludeert dat de toekomst van de materiaalkunde afhangt van het vastleggen van het volledige verhaal van het experiment, en niet alleen van het eindresultaat, en dat eenvoudige, transparante automatisering de sleutel is om dat verhaal helder te schrijven.