Nano avance: la tecnología NCSU utiliza IA para acelerar la producción de puntos cuánticos
Fecha de publicación:RALEIGH – Una nueva tecnología, llamada Artificial Chemist 2.0, permite a los usuarios pasar de solicitar un punto cuántico personalizado a completar la investigación y el desarrollo pertinentes y comenzar la fabricación en menos de una hora.
La tecnología es completamente autónoma y utiliza inteligencia artificial (IA) y sistemas robóticos automatizados para realizar síntesis y análisis químicos de varios pasos.
Los puntos cuánticos son nanocristales semiconductores coloidales que se utilizan en aplicaciones como pantallas LED y células solares.
"Cuando lanzamos la primera versión de Artificial Chemist, fue una prueba de concepto", dice Milad Abolhasani, autor correspondiente de un artículo sobre el trabajo y profesor asistente de ingeniería química y biomolecular en la Universidad Estatal de Carolina del Norte. "Artificial Chemist 2.0 es industrialmente relevante tanto para la I+D como para la fabricación".
Desde el punto de vista del usuario, todo el proceso consta esencialmente de tres pasos.
Primero, un usuario le dice a Artificial Chemist 2.0 los parámetros de los puntos cuánticos deseados. Por ejemplo, ¿qué color de luz quieres producir?
El segundo paso es efectivamente la etapa de I+D, donde Artificial Chemist 2.0 lleva a cabo de forma autónoma una serie de experimentos rápidos, lo que le permite identificar el material óptimo y los medios más eficientes para producir ese material.
En tercer lugar, el sistema pasa a fabricar la cantidad deseada de material.
ROBOT REALIZA EXPERIMENTOS DE APRENDIZAJE ACTIVO
"Los puntos cuánticos se pueden dividir en diferentes clases", afirma Abolhasani. “Por ejemplo, los materiales II-VI, IV-VI y III-V bien estudiados, o las perovskitas de haluros metálicos de reciente aparición, etc. Básicamente, cada clase consta de una variedad de materiales que tienen químicas similares.
“Y la primera vez que configuras Artificial Chemist 2.0 para producir puntos cuánticos en cualquier clase determinada, el robot ejecuta de forma autónoma una serie de experimentos de aprendizaje activo. Así es como el cerebro del sistema robótico aprende la química de los materiales”, afirma Abolhasani.
“Dependiendo de la clase de material, esta etapa de aprendizaje puede durar entre una y 10 horas. Después de ese período único de aprendizaje activo, Artificial Chemist 2.0 puede identificar la mejor formulación posible para producir los puntos cuánticos deseados a partir de 20 millones de combinaciones posibles con múltiples pasos de fabricación en 40 minutos o menos”.
Los investigadores señalan que es casi seguro que el proceso de I+D será más rápido cada vez que la gente lo utilice, ya que el algoritmo de IA que ejecuta el sistema aprenderá más (y se volverá más eficiente) con cada material que se le solicite identificar.
Artificial Chemist 2.0 incorpora dos reactores químicos, que funcionan en serie. El sistema está diseñado para ser completamente autónomo y permite a los usuarios cambiar de un material a otro sin tener que apagar el sistema.
“Para poder hacer esto con éxito, tuvimos que diseñar un sistema que no deje residuos químicos en los reactores y permita que el sistema robótico guiado por IA agregue los ingredientes correctos, en el momento adecuado, en cualquier punto del material de varios pasos. proceso de producción”, dice Abolhasani. “Así que eso es lo que hicimos.
“Estamos entusiasmados con lo que esto significa para la industria de productos químicos especializados. Realmente acelera la investigación y el desarrollo a una velocidad vertiginosa, pero también es capaz de producir kilogramos por día de puntos cuánticos de alto valor diseñados con precisión. Se trata de volúmenes de material relevantes desde el punto de vista industrial”.
El papel, “Síntesis autónoma de puntos cuánticos de varios pasos habilitada por experimentación robótica autónoma en flujo” Aparece en acceso abierto en la revista Advanced Intelligent Systems. Los primeros coautores del artículo son Kameel Abdel-Latif y Robert W. Epps, Ph.D. estudiantes en NC State. El artículo fue coautor de Fazel Bateni y Suyong Han, quienes son Ph.D. estudiantes de NC State y por Kristofer G. Reyes, profesor asistente de la Universidad de Buffalo.
El trabajo se realizó con el apoyo de la Fundación Nacional de Ciencias, con el número de subvención 1940959, y con una subvención de la Iniciativa de Oportunidades de Investigación de la UNC (UNC-ROI).
Fuente original: WRAL TechWire