Makine öğrenimi, bilim dünyasına yeni modeller ve alternatifler kazandırmak adına geniş veri kümelerinden faydalanarak önemli bir rol oynamaktadır. Özellikle malzeme keşfi sürecinde, büyük ölçekte makine öğrenmesi kullanılmaktadır. Bu süreç, temelde iki aşamadan oluşmaktadır. İlk aşama, çeşitli istenen yapıları üretmek için yöntemler oluşturmayı amaçlamaktadır; bu bağlamda, yeni simetri bilinci olan kısmi ikame (SAPS) ve rastgele yapı araması gibi yöntemler bulunmaktadır. İkinci aşama ise, belirlenen yapılar verildiğinde malzeme özelliklerini modellemek için gelişmiş grafik sinir ağları (GNN) kullanmaktadır. Malzeme keşfi için bu grafik ağları (GNoME), mevcut veriye dayalı olarak eğitilmekte ve istenen yapıları seçmek için kullanılmaktadır. Seçilen yapıların enerjisi, yoğunluk fonksiyon teorisi (Density Functional Theory; DFT) kullanılarak hesaplanmaktadır. Bu sayede, hem model tahminlerini doğrulamak hem de bir sonraki aktif öğrenme turunda daha güvenilir modelleri eğitmek amacıyla veri artırmanın bir parçası olarak hizmet etmektedir. GNoME modelleri, malzeme keşfini hızlandırmak için çeşitli uygulamalarda güçlü araçlar olarak kullanılmaktadır. Makine öğrenimi ve malzeme keşfi çalışmalarının etkileşimleri sonucunda, laboratuvarlarda artık robotların kimyasal bileşikleri sentezleme kapasitesine sahip olunabilmektedir.
Nathan ve arkadaşları yaptıkları çalışmada, literatür verilerinden öğrenilen sentez yöntemlerini ve toz halindeki yeni inorganik malzemelerin sentezini optimize etmek için aktif öğrenmeyi birleştiren deneysel verileri yorumlama ve bu temelde kararlar alma yeteneğine sahip bir laboratuvar olan A-Lab‘ı tanıtmaktadır. A-Lab, literatürdeki geçmiş verilere dayalı olarak eğitilmiş makine öğrenimi modellerini kullanarak sentez tarifleri üretip uygulamaktadır. Bu süreçte, A-Lab, deneysel araştırmalarda hesaplamaların, makine öğrenimi algoritmalarının, birikmiş güncel bilginin ve otomasyonun kolektif gücünden yararlanmaktadır.
Bu çalışmada ele alınan tüm hedef malzemeler, laboratuvar için yeni olup, yani kullanılan algoritmaların eğitim verilerinde mevcut olmayan sentez tarifleri önermek için kullanılan algoritmalarla sentezlenmiştir. Toplamda 58 hedeften 52’si, mevcut bilgimiz dahilinde daha önce sentez yöntemine sahip değildir. Gerçekleştirilen deneyler, A-Lab’ın bu hedeflerden herhangi birini sentezlemeye yönelik ilk girişimlerini temsil etmektedir.
A-lab, yeni birleşikleri sentezleme çalışmalarını üç aşamada gerçekleştirmektedir. Birinci aşama, toz dozajını içerir ve bu aşamada robotik sistem, başlangıç malzemelerini doğru oranlarda karıştırarak tozları hazırlamaktadır. Her malzeme için belirlenen toz dozajı, önceden eğitilmiş makine öğrenimi modelleri tarafından belirlenmektedir. İkinci aşama, hazırlanan tozları belirli bir sıcaklık profiline göre ısıtmayı içermektedir. Isıtma şartları, literatürdeki sentez verileri ve makine öğrenimi modelleri tarafından önerilmekte ve kontrol edilmektedir. Son aşama, elde edilen ürünlerin XRD (X-ışını kırınımı) ile karakterize edilmesini içermektedir. Bu aşama, ürünlerin kristal yapılarını belirleme ve faz saflığını değerlendirme amacını taşımaktadır. Tüm bu işlemler otomatik bir sırayla gerçekleşmekte ve robotik kollar aracılığıyla numuneler istasyonlar arasında transfer edilmektedir. Faz saflığı, Materials Project ve ICSD‘den (inorganik kristal yapı veritabanı) elde edilen veriler üzerinden eğitilen makine öğrenimi modelleri tarafından analizlenmektedir. Bu analizde, otomatik Rietveld iyileştirmesi kullanılmaktadır. Rietveld iyileştirmesi, malzemenin kristal yapı parametrelerini ayarlayarak deneysel X-ışını kırınım deseni ile teorik X-ışını kırınım deseni arasındaki benzerliği optimize etmede önemli rol oynamaktadır..
A-Lab, oldukça sofistike bir sistem olmasına rağmen, sentez hataları gözlemlenmiştir. A-Lab tarafından değerlendirilen 58 hedefin 17’si, A-Lab’ın aktif öğrenme döngüsünden sonra dahi başarıyla elde edilememiştir. Bu hedeflerin sentezini engelleyen dört ana kategori, yani “başarısızlık modları” belirlenmiştir: yavaş reaksiyon kinetiği, kimyasal reaksiyonda bulunan başlangıç maddesinin yüksek sıcaklıklarda buharlaşması, amorfizasyon (kimyasal maddenin kristal düzenliliğini kaybetmesi ve amorf bir yapı kazanması) ve hesaplama hatası olarak tespit edilmiştir.
Bu robotik sistem, tozların titiz bir şekilde hazırlanmasından, numunelerin hassas bir şekilde ısıtılmasına ve nihayetinde karakterizasyonuna kadar geçen süreçlerde etkileyici bir performans sergilemektedir. Çalışmanın öne çıkan yönleri arasında, sentezdeki hata modlarının tanımlanması ve bu zorlukların aşılması için kullanılan başarılı aktif öğrenme döngüsü bulunmaktadır. Robotik sistem, malzeme sentezi ve karakterizasyonu alanlarında verimliliği artırmak için geliştirilen bu yöntemle, yenilikçi bir yaklaşım sunmaktadır. Bu bağlamda, çalışmanın ışık tuttuğu öne çıkan alanlar arasında sentez süreçlerindeki başarısızlık modlarına karşı çözüm önerileri geliştirme ve otomatik Rietveld iyileştirmesi gibi metodolojik yeniliklerin uygulanmasıdır. Bu çalışma, malzeme bilimi ve sentezi alanındaki gelecekteki araştırmalara ışık tutacak önemli bir katkı sunmaktadır.
Yazar: Hilal Derdiyok
Editör: Elif Duymaz
Referans: Szymanski,N.J.,Rendy,B.,Fei,Y.,Kumar,R.E.,He,T.,Milsted,D.,McDermott,M.J.,Gallant,M.,Cubuk,E.D.,Merchant,A.,Kim,H.,Jain,A.,Bartel,C.J.,Persson,K.,Zeng,Y.,Ceder,G.An autonomouslaboratoryfortheacceleratedsynthesis of novelmaterials. Nature,624, 86-91,(2023). https://doi.org/10.1038/s41586-023-06734-w
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız) bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
MSc. Bioengineering
BSc. Mathematics