¿Funcionan realmente los laboratorios de química basados en IA?
Las nuevas métricas prometen respuestas
Los campos de la química y la ciencia de los materiales están experimentando un auge del interés por los "laboratorios autónomos", que hacen uso de la inteligencia artificial (IA) y los sistemas automatizados para acelerar la investigación y el descubrimiento. Los investigadores proponen ahora una serie de definiciones y parámetros de rendimiento que permitirán a investigadores, no expertos y futuros usuarios comprender mejor qué hacen estas nuevas tecnologías y cómo funciona cada una de ellas en comparación con otros laboratorios autónomos.
Los laboratorios autónomos son muy prometedores para acelerar el descubrimiento de nuevas moléculas, materiales y procesos de fabricación, con aplicaciones que van desde los dispositivos electrónicos a los productos farmacéuticos. Aunque estas tecnologías aún son bastante nuevas, algunas han demostrado que reducen de meses o años a días el tiempo necesario para identificar nuevos materiales.
"Los laboratorios autodirigidos están acaparando mucha atención en estos momentos, pero hay muchas cuestiones pendientes en relación con estas tecnologías", afirma Milad Abolhasani, autor correspondiente de un artículo sobre la nueva métrica y profesor asociado de ingeniería química y biomolecular en la Universidad Estatal de Carolina del Norte. "Esta tecnología se describe como 'autónoma', pero los distintos equipos de investigación definen 'autónomo' de forma diferente. Del mismo modo, los distintos equipos de investigación informan de distintos elementos de su trabajo de formas diferentes. Esto hace difícil comparar estas tecnologías entre sí, y la comparación es importante si queremos ser capaces de aprender unos de otros e impulsar el campo hacia adelante".
"¿Qué hace realmente bien el laboratorio de conducción autónoma A? ¿Cómo podríamos utilizarlo para mejorar el rendimiento del laboratorio de conducción autónoma B? Proponemos una serie de definiciones y parámetros de rendimiento comunes, que esperamos sean adoptados por todos los que trabajan en este campo. El objetivo final será que todos podamos aprender unos de otros y hacer avanzar estas potentes tecnologías de aceleración de la investigación.
"Por ejemplo, parece que estamos viendo algunos retos en los laboratorios de conducción autónoma relacionados con el rendimiento, la precisión y la solidez de algunos sistemas autónomos", afirma Abolhasani. "Esto plantea dudas sobre la utilidad de estas tecnologías. Si disponemos de métricas estandarizadas y de informes de resultados, podremos identificar estos retos y comprender mejor cómo abordarlos."
El núcleo de la nueva propuesta es una definición clara de los laboratorios de autoconducción y siete métricas de rendimiento propuestas, que los investigadores incluirían en cualquier trabajo publicado relacionado con sus laboratorios de autoconducción.
- Grado de autonomía: ¿cuánta orientación necesita un sistema por parte de los usuarios?
- Vida útil: ¿cuánto tiempo puede funcionar el sistema sin intervención de los usuarios?
- Rendimiento: ¿cuánto tarda el sistema en realizar un solo experimento?
- Precisión experimental: ¿son reproducibles los resultados del sistema?
- Uso de materiales: ¿cuál es la cantidad total de materiales utilizados por un sistema para cada experimento?
- Espacio de parámetros accesible: ¿hasta qué punto puede el sistema tener en cuenta todas las variables de cada experimento?
- Eficacia de la optimización.
"La eficiencia de la optimización es una de las métricas más importantes, pero también una de las más complejas: no se presta a una definición concisa", afirma Abolhasani. "Básicamente, queremos que los investigadores analicen cuantitativamente el rendimiento de su laboratorio de autoconducción y su algoritmo de selección de experimentos comparándolo con un punto de referencia, por ejemplo, el muestreo aleatorio".
"En última instancia, creemos que contar con un enfoque estandarizado para informar sobre los laboratorios de autoconducción ayudará a garantizar que este campo produzca resultados fiables y reproducibles que aprovechen al máximo los programas de IA que capitalizan los grandes conjuntos de datos de alta calidad producidos por los laboratorios de autoconducción", afirma Abolhasani.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
