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

NIMS-OS é uma biblioteca Python de código aberto e uma aplicação de interface gráfica que permite a exploração totalmente automatizada e em malha fechada de materiais, integrando diversos algoritmos de IA com sistemas experimentais robóticos, como o NAREE, para descobrir autonomamente novos materiais, como eletrólitos.

O essencial

Imagine que você está tentando encontrar a receita perfeita para um bolo, mas, em vez de uma cozinha, você tem uma biblioteca massiva de 4.000 combinações diferentes de ingredientes. Um chef humano poderia provar algumas, adivinhar o que poderia funcionar e tentar novamente, mas levaria anos para encontrar o absolutamente melhor.

Agora, imagine que você tem um chef robô superinteligente e um crítico gastronômico genial que nunca dormem, nunca ficam cansados e nunca cometem erros. Isso é exatamente o que o artigo "NIMS-OS" descreve, mas para descobrir novos materiais (como fluidos de bateria melhores) em vez de bolos.

Aqui está a explicação simples de como esse sistema funciona:

O Problema: A "Agulha no Palheiro"

Na ciência dos materiais, os cientistas querem encontrar a melhor combinação de produtos químicos para fazer coisas como baterias funcionarem melhor. Existem tantas combinações possíveis que testá-las todas à mão é impossível. É como tentar encontrar uma agulha específica em um palheiro do tamanho de uma montanha.

A Solução: NIMS-OS (O "Maestro")

Os autores criaram um sistema de software chamado NIMS-OS (Sistema de Orquestração NIMS). Pense nesse software como um maestro em uma orquestra.

• Os Músicos: Você tem diferentes "algoritmos de IA" (os críticos inteligentes) e "braços robóticos" (os chefs robôs).
• O Maestro: O NIMS-OS diz à IA quando fazer uma sugestão e diz ao robô quando misturar os produtos químicos. Ele conecta os dois para que trabalhem juntos em um loop perfeito, sem que um humano precise pressionar nenhum botão.

Como o Loop Funciona (A "Dança de Três Passos")

O sistema roda em um ciclo contínuo, como um jogo de "Quente e Frio":

1. O Palpite (IA): A IA examina uma lista de todas as receitas químicas possíveis (o "Arquivo de Candidatos"). Com base no que aprendeu até agora, ela escolhe as receitas mais promissoras para tentar a seguir.
   • Analogia: A IA é como um detetive que diz: "Com base nas pistas, o assassino provavelmente está neste bairro. Vamos verificar essas três casas primeiro."
2. A Ação (Robô): O software envia um sinal para o robô. O robô mistura automaticamente os produtos químicos, coloca-os em uma célula de teste e executa o experimento.
   • Analogia: O robô é o parceiro do detetive que realmente vai às casas e bate nas portas.
3. O Resultado (Atualização): O robô termina o teste e envia os dados de volta. O software atualiza a lista, marcando quais receitas funcionaram bem e quais não funcionaram. Em seguida, a IA analisa os novos dados e escolhe os próximos melhores palpites.
   • Analogia: O parceiro volta e diz: "A Casa A estava vazia, mas a Casa B tinha uma pista!" O detetive então usa essa nova informação para escolher a próxima casa a verificar.

As Ferramentas na Caixa de Ferramentas

O artigo explica que o NIMS-OS é flexível. Você pode trocar os "músicos" na orquestra:

• Diferentes Cérebros de IA: Você pode usar diferentes tipos de lógica de IA. Alguns são bons em encontrar o pico absoluto (Otimização Bayesiana), alguns são bons em explorar áreas estranhas e desconhecidas (Exploração Ilimitada) e alguns são bons em mapear paisagens inteiras (Diagramas de Fase).
• Diferentes Mãos Robóticas: Você pode conectar diferentes robôs. Os autores testaram com um sistema específico chamado NAREE, que é um robô projetado para misturar líquidos e testar fluidos de bateria automaticamente.

O Teste do Mundo Real: A Caça à Bateria

Para provar que funciona, a equipe usou o NIMS-OS para caçar um eletrólito melhor (o líquido dentro de uma bateria) para baterias de lítio-metal.

• A Configuração: Eles tinham 16 aditivos químicos diferentes para escolher. Queriam encontrar a melhor mistura de 5 aditivos.
• O Processo:
  1. Primeiro, o robô tentou aleatoriamente 32 misturas apenas para obter alguns dados iniciais (como provar alguns bolos aleatórios).
  2. Em seguida, a IA assumiu. Ela analisou os resultados e disse ao robô exatamente quais 32 misturas tentar a seguir.
  3. Isso aconteceu automaticamente por 10 horas seguidas sem que um humano tocasse em nada.
• O Resultado: Na 7ª rodada de testes, o sistema encontrou uma receita que desempenhou significativamente melhor do que as outras. Descobriu que uma mistura contendo produtos químicos específicos (como VC e FEC) funcionava melhor, o que coincide com o que especialistas humanos já sabiam, mas o robô encontrou muito mais rápido e sem fadiga.

Por Que Isso Importa

O artigo argumenta que o maior avanço não é apenas o robô ou a IA sozinhos, mas o software que os conecta.

• Padronização: Antes disso, cada laboratório tinha que escrever seu próprio código personalizado para conectar seu robô específico à sua IA específica. O NIMS-OS fornece um sistema universal "plug-and-play".
• Sem Erro Humano: Como o loop está fechado, o robô não fica cansado e a IA não se distrai. Ela apenas continua otimizando até que o trabalho esteja feito.

Em resumo, o NIMS-OS é um controle remoto universal que permite que um cérebro de computador converse com um corpo robótico, permitindo que eles descubram novos materiais por conta própria, 24 horas por dia, 7 dias por semana.

Resumo técnico

1. Declaração do Problema

A integração de Inteligência Artificial (IA) e experimentos robóticos é crítica para acelerar a exploração automatizada de materiais. Embora progressos significativos tenham sido feitos tanto em algoritmos de IA (por exemplo, Otimização Bayesiana) quanto em hardware robótico, um grande gargalo permanece: a falta de um sistema de software de controle genérico.

• Limitação Atual: Os sistemas de controle existentes são tipicamente desenvolvidos em uma base "caso a caso", acoplando estritamente algoritmos de IA específicos a hardware robótico específico. Isso torna difícil trocar algoritmos ou hardware sem reescrever toda a lógica de controle.
• A Necessidade: Há uma necessidade de um sistema de orquestração modular e padronizado que possa criar um ciclo fechado entre diversos modelos de IA e várias configurações experimentais robóticas sem intervenção humana, permitindo assim a verdadeira descoberta autônoma de materiais.

2. Metodologia: Arquitetura NIMS-OS

Os autores desenvolveram o NIMS-OS (Sistema de Orquestração NIMS), uma biblioteca baseada em Python projetada para atuar como um middleware genérico. Ele desacopla algoritmos de IA de sistemas robóticos por meio de uma arquitetura modular.

Fluxo de Trabalho Principal

O sistema opera em um ciclo fechado consistindo em três etapas principais:

1. Seleção (IA): Um módulo de IA seleciona condições experimentais promissoras de um "arquivo de candidatos" predefinido (o espaço de busca).
2. Execução (Robô): O sistema gera arquivos de entrada para o sistema robótico e dispara o experimento.
3. Análise e Atualização: O sistema analisa a saída experimental, extrai valores da função objetivo e atualiza o arquivo de candidatos para refletir novos dados para a próxima iteração.

Componentes Principais

• Arquivo de Candidatos: Um arquivo CSV definindo o espaço de busca de materiais (por exemplo, composições, parâmetros de processo). Contém colunas para descritores (entrada) e valores da função objetivo (saída), que inicialmente estão vazios e são preenchidos à medida que os experimentos progridem.
• Módulos de IA (Etapa 1): O NIMS-OS implementa interfaces padrão para vários algoritmos:
  • PHYSBO: Otimização Bayesiana (BO) usando regressão de Processo Gaussiano e amostragem de Thompson para otimização multiobjetivo.
  • BLOX: Exploração Sem Limites e Sem Objetivo (Boundless Objective-Free Exploration), que usa discrepância de Stein para encontrar materiais "curiosos" e garantir amostragem uniforme no espaço objetivo.
  • PDC: Construção de Diagramas de Fase usando aprendizado ativo (amostragem de incerteza) para mapear fronteiras de fase com o mínimo de experimentos.
  • RE: Exploração Aleatória, usada para gerar dados iniciais ou linhas de base.
• Módulos Robóticos (Etapa 2 e 3):
  • STAN: Um módulo de referência (virtual) que simula o fluxo de trabalho robótico (criando arquivos de entrada, enviando sinais de início, aguardando conclusão e lendo arquivos de saída). Isso permite testes de software sem hardware físico.
  • NAREE: Um módulo específico para o sistema de Experimentos Eletroquímicos Robóticos Automatizados NIMS, que inclui um dispensador de manipulação de líquidos, uma unidade de medição eletroquímica e um braço robótico para triagem de eletrólitos de alto rendimento.
• Visualização: Ferramentas integradas (nimsos.visualization) para plotar o histórico de otimização, distribuições da função objetivo e diagramas de fase em tempo real.

3. Contribuições Principais

• Sistema de Orquestração Genérico: O NIMS-OS é o primeiro software a fornecer uma interface padronizada permitindo que qualquer algoritmo de IA controle qualquer sistema robótico simplesmente trocando módulos. Isso promove a interoperabilidade e reduz o tempo de desenvolvimento para novos laboratórios automatizados.
• Padronização: Os autores estabeleceram formatos de entrada/saída padrão para algoritmos de IA e sistemas robóticos. Isso permite que novos algoritmos sejam testados imediatamente em hardware existente e vice-versa.
• Interface Dupla: O sistema está disponível como uma biblioteca Python para desenvolvedores e como uma aplicação GUI para facilidade de uso por não programadores.
• Escalabilidade: O design modular permite a fácil adição de novas estratégias de IA ou hardware robótico, facilitando a expansão do ecossistema.

4. Resultados Experimentais

Para demonstrar a eficácia do sistema, os autores conduziram uma exploração autônoma de eletrólitos multicomponentes para baterias de metal de lítio usando o sistema NAREE.

• Configuração:
  • Espaço de Busca: Combinações de 5 aditivos selecionados de um conjunto de 16 compostos (4.368 combinações possíveis).
  • Objetivo: Maximizar o tempo de descarga (proxy para capacidade da bateria).
  • Hardware: 32 experimentos paralelos realizados por microplaca.
• Processo:
  • Ciclo 1: Exploração Aleatória (RE) foi usada para gerar dados iniciais.
  • Ciclos 2–12: Otimização Bayesiana (PHYSBO) foi usada para selecionar iterativamente melhores candidatos.
  • Duração: O sistema operou totalmente de forma autônoma por 10 horas sem intervenção humana, completando 384 experimentos ao longo de 12 ciclos.
• Resultado:
  • A composição ótima do eletrólito foi identificada no 7º ciclo.
  • Melhor Resultado: Uma composição contendo 100 mM LiPF6, 100 mM LiTFSI, 2 vol.% PC, 2 vol.% FEC e 2 vol.% VC alcançou um tempo de descarga de 1439,09 segundos (aproximando-se do máximo teórico de 1800s).
  • Validação: Os 10 melhores resultados incluíram consistentemente Carbonato de Vinileno (VC) e/ou Carbonato de Fluoroetileno (FEC), alinhando-se com o conhecimento de domínio estabelecido sobre seus efeitos positivos em eletrodos de metal de lítio.

5. Significado e Perspectivas Futuras

• Aceleração da Descoberta: O NIMS-OS demonstra que um sistema de ciclo fechado pode reduzir significativamente o tempo necessário para descobrir materiais de alto desempenho, automatizando o ciclo de geração e teste de hipóteses.
• Padrões Técnicos: Ao estabelecer uma estrutura comum, o NIMS-OS reduz a barreira de entrada para a criação de laboratórios automatizados, potencialmente levando a reduções de custos e maior adoção de robótica na ciência dos materiais.
• Direções Futuras: Os autores planejam expandir a biblioteca com mais algoritmos de IA e módulos robóticos. Eles também enfatizam a necessidade de capacidades aprimoradas de gerenciamento de dados para lidar com os grandes volumes de dados gerados por sistemas autônomos, posicionando o NIMS-OS como uma ferramenta chave para a Transformação Digital (DX) na ciência dos materiais.

Em conclusão, o NIMS-OS representa um passo significativo em direção ao paradigma do "laboratório autônomo" (self-driving lab), fornecendo a infraestrutura de software necessária para integrar perfeitamente a tomada de decisão de IA com a execução robótica para a descoberta automatizada de materiais.