Nano-doorbraak: NCSU-technologie gebruikt AI om de productie van kwantumdots te versnellen
Datum gepubliceerd:RALEIGH – Een nieuwe technologie, Artificial Chemist 2.0 genaamd, stelt gebruikers in staat om in minder dan een uur van het aanvragen van een aangepaste quantum dot naar het voltooien van de relevante R&D en het starten van de productie.
De technologie is volledig autonoom en maakt gebruik van kunstmatige intelligentie (AI) en geautomatiseerde robotsystemen om chemische synthese en analyse in meerdere stappen uit te voeren.
Quantum dots zijn colloïdale halfgeleider nanokristallen, die worden gebruikt in toepassingen zoals LED-displays en zonnecellen.
“Toen we de eerste versie van Artificial Chemist uitrolden, was het een proof of concept”, zegt Milad Abolhasani, corresponderend auteur van een artikel over het werk en assistent-professor chemische en biomoleculaire technologie aan de North Carolina State University. “Artificial Chemist 2.0 is industrieel relevant voor zowel R&D als productie.”
Vanuit het oogpunt van de gebruiker bestaat het hele proces in essentie uit drie stappen.
Eerst vertelt een gebruiker aan Artificial Chemist 2.0 de parameters voor de gewenste kwantumdots. Welke kleur licht wil je bijvoorbeeld produceren?
De tweede stap is in feite de R&D-fase, waarin Artificial Chemist 2.0 autonoom een reeks snelle experimenten uitvoert, waardoor het optimale materiaal en de meest efficiënte manier om dat materiaal te produceren kan worden geïdentificeerd.
Ten derde schakelt het systeem over op het vervaardigen van de gewenste hoeveelheid materiaal.
ROBOT UITVOERT ACTIEVE LEEREXPERIMENTEN
“Quantum dots kunnen worden onderverdeeld in verschillende klassen”, zegt Abolhasani. “Bijvoorbeeld goed bestudeerde II-VI-, IV-VI- en III-V-materialen, of de recentelijk opkomende metaalhalide-perovskieten, enzovoort. Kortom, elke klasse bestaat uit een reeks materialen met vergelijkbare chemie.
“En de eerste keer dat je Artificial Chemist 2.0 instelt om kwantumdots in een bepaalde klasse te produceren, voert de robot autonoom een reeks actieve leerexperimenten uit. Dit is hoe de hersenen van het robotsysteem de materiaalchemie leren”, zegt Abolhasani.
“Afhankelijk van de leerstofklasse kan deze leerfase één tot tien uur duren. Na die eenmalige actieve leerperiode kan Artificial Chemist 2.0 de best mogelijke formulering identificeren voor het produceren van de gewenste kwantumdots uit 20 miljoen mogelijke combinaties met meerdere productiestappen in 40 minuten of minder.”
De onderzoekers merken op dat het R&D-proces vrijwel zeker sneller zal worden elke keer dat mensen het gebruiken, omdat het AI-algoritme dat het systeem aanstuurt meer zal leren – en efficiënter zal worden – met elk materiaal dat het moet identificeren.
Artificial Chemist 2.0 omvat twee chemische reactoren, die in serie werken. Het systeem is ontworpen om volledig autonoom te zijn en stelt gebruikers in staat van het ene materiaal naar het andere over te schakelen zonder dat ze het systeem hoeven uit te schakelen.
“Om dit met succes te kunnen doen, moesten we een systeem ontwikkelen dat geen chemische resten in de reactoren achterlaat en het AI-gestuurde robotsysteem in staat stelt de juiste ingrediënten toe te voegen, op het juiste moment, op elk punt in het meerstapsmateriaal. productieproces”, zegt Abolhasani. “Dus dat is wat we deden.
“We zijn enthousiast over wat dit betekent voor de speciaalchemische industrie. Het versnelt R&D echt tot een ware snelheid, maar het is ook in staat om kilogrammen per dag aan hoogwaardige, nauwkeurig ontworpen kwantumdots te maken. Dat zijn industrieel relevante hoeveelheden materiaal.”
De krant, “Zelfgestuurde meerstaps Quantum Dot-synthese mogelijk gemaakt door autonome robotexperimenten in Flow,” verschijnt open access in het tijdschrift Advanced Intelligent Systems. Co-eerste auteurs van het artikel zijn Kameel Abdel-Latif en Robert W. Epps, beiden Ph.D. studenten van NC State. Het artikel is co-auteur van Fazel Bateni en Suyong Han, beiden Ph.D. studenten van NC State, en door Kristofer G. Reyes, een assistent-professor aan de Universiteit van Buffalo.
Het werk werd uitgevoerd met steun van de National Science Foundation, onder subsidienummer 1940959, en van een UNC Research Opportunities Initiative (UNC-ROI) subsidie.
Originele bron: WRAL TechWire