Nano-Durchbruch: NCSU-Technologie nutzt KI, um die Produktion von Quantenpunkten zu beschleunigen
Veröffentlichungsdatum:RALEIGH – Mithilfe einer neuen Technologie namens Artificial Chemist 2.0 können Benutzer in weniger als einer Stunde von der Anforderung eines benutzerdefinierten Quantenpunkts über die Durchführung der entsprechenden Forschungs- und Entwicklungsarbeiten bis hin zum Beginn der Produktion gelangen.
Die Technologie ist völlig autonom und nutzt künstliche Intelligenz (KI) und automatisierte Robotersysteme, um mehrstufige chemische Synthesen und Analysen durchzuführen.
Quantenpunkte sind kolloidale Halbleiter-Nanokristalle, die in Anwendungen wie LED-Displays und Solarzellen zum Einsatz kommen.
„Als wir die erste Version von Artificial Chemist herausbrachten, war das ein Proof of Concept“, sagt Milad Abolhasani, korrespondierender Autor eines Artikels über die Arbeit und Assistenzprofessor für chemische und biomolekulare Technik an der North Carolina State University. „Artificial Chemist 2.0 ist sowohl für Forschung und Entwicklung als auch für die Fertigung industriell relevant.“
Aus Anwendersicht besteht der gesamte Prozess im Wesentlichen aus drei Schritten.
Zunächst teilt der Benutzer Artificial Chemist 2.0 die Parameter für die gewünschten Quantenpunkte mit. Welche Lichtfarbe möchten Sie beispielsweise erzeugen?
Der zweite Schritt ist die Forschungs- und Entwicklungsphase, in der der Artificial Chemist 2.0 selbstständig eine Reihe schneller Experimente durchführt, um das optimale Material und die effizientesten Methoden zur Herstellung dieses Materials zu ermitteln.
Drittens schaltet das System auf die Herstellung der gewünschten Materialmenge um.
Roboter führt aktive Lernexperimente durch
„Quantenpunkte können in verschiedene Klassen unterteilt werden“, sagt Abolhasani. „Zum Beispiel gut untersuchte II-VI-, IV-VI- und III-V-Materialien oder die kürzlich aufgekommenen Metallhalogenid-Perowskite usw. Im Grunde besteht jede Klasse aus einer Reihe von Materialien mit ähnlicher Chemie.“
„Und wenn Sie Artificial Chemist 2.0 zum ersten Mal in einer Klasse aufstellen, um Quantenpunkte zu produzieren, führt der Roboter autonom eine Reihe aktiver Lernexperimente durch. Auf diese Weise lernt das Gehirn des Robotersystems die Materialchemie“, sagt Abolhasani.
„Je nach Materialklasse kann diese Lernphase zwischen einer und zehn Stunden dauern. Nach dieser einmaligen aktiven Lernphase kann Artificial Chemist 2.0 in 40 Minuten oder weniger aus 20 Millionen möglichen Kombinationen mit mehreren Fertigungsschritten die bestmögliche Rezeptur zur Herstellung der gewünschten Quantenpunkte ermitteln.“
Die Forscher weisen darauf hin, dass der F&E-Prozess mit jeder Nutzung mit ziemlicher Sicherheit schneller wird, da der KI-Algorithmus, auf dem das System basiert, mit jedem Material, das er identifizieren soll, mehr lernt und effizienter wird.
Artificial Chemist 2.0 enthält zwei chemische Reaktoren, die in Reihe geschaltet sind. Das System ist völlig autonom konzipiert und ermöglicht es Benutzern, von einem Material zum anderen zu wechseln, ohne das System herunterfahren zu müssen.
„Damit dies erfolgreich gelingt, mussten wir ein System entwickeln, das keine chemischen Rückstände in den Reaktoren hinterlässt und es dem KI-gesteuerten Robotersystem ermöglicht, die richtigen Zutaten zur richtigen Zeit und an jedem Punkt des mehrstufigen Materialherstellungsprozesses hinzuzufügen“, sagt Abolhasani. „Und genau das haben wir getan.“
„Wir sind gespannt, was das für die Spezialchemiebranche bedeutet. Es beschleunigt Forschung und Entwicklung wirklich auf Warp-Geschwindigkeit, ermöglicht aber auch die Herstellung von mehreren Kilogramm hochwertiger, präzise konstruierter Quantenpunkte pro Tag. Das sind industriell relevante Materialmengen.“
Das Papier, „Selbstgesteuerte mehrstufige Quantenpunktsynthese ermöglicht durch autonome Roboterexperimente im Fluss“, erscheint als Open Access in der Zeitschrift Advanced Intelligent Systems. Ko-Erstautoren des Artikels sind Kameel Abdel-Latif und Robert W. Epps, die Doktoranden an der NC State sind. Koautoren des Artikels sind Fazel Bateni und Suyong Han, die Doktoranden an der NC State sind, sowie Kristofer G. Reyes, ein Assistenzprofessor an der University at Buffalo.
Die Arbeit wurde mit Unterstützung der National Science Foundation (Zuschussnummer 1940959) und eines Zuschusses der UNC Research Opportunities Initiative (UNC-ROI) durchgeführt.
Originalquelle: WRAL TechWire