Robots en AI versnellen onderzoek

Automatisering kan leiden tot snellere en nauwkeurigere experimenten die in uiteenlopende disciplines tot doorbraken in wetenschappelijk onderzoek kunnen leiden.

Wetenschappelijke laboratoria in alle disciplines (scheikunde, biochemie en materiaalkunde) staan op het punt van ingrijpende veranderingen. Automatisering met behulp van robotica en kunstmatige intelligentie leiden tot snellere en nauwkeurigere experimenten die tot doorbraken kunnen leiden op gebieden als gezondheid, energie en elektronica. Dat is de conclusie van onderzoekers van University of North Carolina at Chapel Hill, 50  km noordwestelijk van staatshoofdsad Raleigh.

Robotisering

De ontwikkeling van nieuwe moleculen, materialen en chemische systemen vereist intensieve menselijke inspanning. Onderzoekers moeten experimenten ontwerpen, materialen synthetiseren, resultaten analyseren en het proces herhalen totdat de gewenste eigenschappen zijn bereikt.

Deze aanpak is tijdrovend en arbeidsintensief, waardoor het tempo van ontdekkingen wordt vertraagd. Automatisering biedt een oplossing. Robotsystemen kunnen continu experimenten uitvoeren zonder menselijke vermoeidheid, wat het onderzoek aanzienlijk versnelt. Robots voeren niet alleen nauwkeurige experimentele stappen uit met een grotere consistentie dan mensen, ze verminderen ook veiligheidsrisico's door gevaarlijke stoffen te hanteren. Door routinematige taken te automatiseren, kunnen wetenschappers zich richten op onderzoeksvragen op een hoger niveau, wat de weg vrijmaakt voor snellere doorbraken in de geneeskunde, energie en duurzaamheid.

Vijf niveaus

Robotica heeft het potentieel om wetenschappelijke laboratoria om te vormen tot geautomatiseerde 'fabrieken' die ontdekkingen versnellen. Om dit te doen, zijn creatieve oplossingen nodig om onderzoekers en robots in dezelfde laboratoriumomgeving te laten samenwerken. Met voortdurende ontwikkeling zal robotica en automatisering naar verwachting de snelheid, precisie en reproduceerbaarheid van experimenten met verschillende instrumenten en disciplines verbeteren. Hierdoor kunnen de data worden gegenereerd die door kunstmatige intelligentiesystemen kunnen worden geanalyseerd om verdere experimenten te begeleiden.

De onderzoekers definieerden vijf niveaus van laboratoriumautomatisering om te illustreren hoe automatisering zich kan ontwikkelen in wetenschappelijke laboratoria:

• Assistive Automation (A1). Op dit niveau worden individuele taken, zoals vloeistofverwerking, geautomatiseerd terwijl mensen het grootste deel van het werk doen.
• Gedeeltelijke automatisering (A2). Robots voeren meerdere opeenvolgende stappen uit, waarbij mensen verantwoordelijk zijn voor de installatie en het toezicht.
• Voorwaardelijke automatisering (A3). Robots beheren volledige experimentele processen, maar er is menselijke tussenkomst vereist wanneer zich onverwachte gebeurtenissen voordoen.
• Hoge automatisering (A4). Robots voeren experimenten onafhankelijk uit, stellen apparatuur op en reageren autonoom op ongebruikelijke omstandigheden.
• Volledige automatisering (A5). In deze laatste fase werken robots en AI-systemen met volledige autonomie, inclusief zelfonderhoud en veiligheidsbeheer.

Ontwikkeling

De door de onderzoekers gedefinieerde automatiseringsniveaus kunnen worden gebruikt om de voortgang in het veld te beoordelen. Ze helpen bij het vaststellen van geschikte veiligheidsprotocollen en doelen te stellen voor toekomstig onderzoek in zowel wetenschappelijke domeinen als robotica. Lagere automatiseringsniveaus zijn nu gebruikelijk, maar het bereiken van hoge en volledige automatisering is een uitdaging. Daarvoor zijn robots nodig die in verschillende laboratoriumomgevingen kunnen werken, complexe taken kunnen uitvoeren en naadloos kunnen communiceren met mensen en andere automatiseringssystemen.

Kunstmatige intelligentie speelt een sleutelrol bij het bevorderen van automatisering die verder gaat dan fysieke taken. AI kan enorme datasets analyseren die door experimenten zijn gegenereerd, patronen identificeren en nieuwe verbindingen of onderzoeksrichtingen voorstellen. Door AI te integreren in de workflow van het laboratorium kunnen laboratoria de volledige onderzoekscyclus automatiseren. Dat gaat van het ontwerpen van experimenten tot het synthetiseren van materialen en het analyseren van resultaten.

In door AI aangestuurde laboratoria kan de traditionele Design-Make-Test-Analyze (DMTA)-lus volledig autonoom worden. AI kan bepalen welke experimenten moeten worden uitgevoerd, real-time aanpassingen maken en het onderzoeksproces continu verbeteren. Hoewel AI-systemen al vroeg succes hebben geboekt bij taken als het voorspellen van chemische reacties en het optimaliseren van syntheseroutes, waarschuwen de onderzoekers dat AI zorgvuldig moet worden bewaakt om risico's te voorkomen, zoals het per ongeluk creëren van gevaarlijke materialen.

Uitdagingen

De overgang naar geautomatiseerde laboratoria brengt aanzienlijke technische en logistieke uitdagingen met zich mee. Laboratoria verschillen sterk in hun opstellingen, variërend van laboratoria met één proces tot grote faciliteiten met meerdere kamers. Voor het ontwikkelen van flexibele automatiseringssystemen die in verschillende omgevingen werken, zijn mobiele robots nodig die items kunnen vervoeren en taken kunnen uitvoeren op meerdere stations.

Het opleiden van wetenschappers om met geavanceerde automatiseringssystemen te werken is net zo belangrijk. Onderzoekers moeten niet alleen expertise ontwikkelen in hun wetenschappelijke vakgebieden, maar ook de mogelijkheden van robots, datawetenschap en AI begrijpen om hun onderzoek te versnellen. Het opleiden van de volgende generatie wetenschappers om samen te werken met ingenieurs en computerwetenschappers zal essentieel zijn om het volledige potentieel van geautomatiseerde laboratoria te realiseren.

De wetenschappelijke publicatie vindt u hier.

Foto: Johnny Andrews/UNC-Chapel Hill