En el fascinante mundo de la Química y la Ciencia de Materiales, estamos siendo testigos de un creciente interés en los “laboratorios autónomos”, que hacen uso de la inteligencia artificial (IA) y sistemas automatizados para acelerar la investigación y el descubrimiento. Investigadores están proponiendo una serie de definiciones y métricas de rendimiento que permitirán a los usuarios futuros comprender mejor tanto lo que estas nuevas tecnologías están haciendo como cómo cada tecnología se compara con otros laboratorios autónomos.

La promesa de los laboratorios autónomos

Los laboratorios autónomos prometen acelerar el descubrimiento de nuevas moléculas, materiales y procesos de fabricación, con aplicaciones que van desde dispositivos electrónicos hasta productos farmacéuticos. Aunque estas tecnologías aún son relativamente nuevas, algunas han demostrado reducir el tiempo necesario para identificar nuevos materiales de meses o años a días.

“Los laboratorios autónomos están atrayendo mucha atención en este momento, pero hay muchas preguntas pendientes sobre estas tecnologías”, dice Milad Abolhasani, autor correspondiente de un artículo sobre las nuevas métricas y profesor asociado de ingeniería química y biomolecular en la Universidad Estatal de Carolina del Norte.

Estableciendo métricas de rendimiento

En el núcleo de la nueva propuesta hay una definición clara de los laboratorios autónomos y siete métricas de rendimiento propuestas, que los investigadores incluirían en cualquier trabajo publicado relacionado con sus laboratorios autónomos.

  1. Grado de autonomía: ¿cuánta orientación necesita un sistema de los usuarios?
  2. Tiempo de vida operativa: ¿cuánto tiempo puede operar el sistema sin intervención de los usuarios?
  3. Rendimiento: ¿cuánto tiempo tarda el sistema en realizar un solo experimento?
  4. Precisión experimental: ¿qué tan reproducibles son los resultados del sistema?
  5. Uso de materiales: ¿cuánta cantidad total de materiales utiliza un sistema para cada experimento?
  6. Espacio de parámetros accesibles: ¿hasta qué punto puede el sistema tener en cuenta todas las variables en cada experimento?
  7. Eficiencia de optimización.

Reflexiones finales

“La eficiencia de optimización es una de las métricas más importantes de estas, pero también es una de las más complejas, ya que no se presta a una definición concisa”, señala Abolhasani. “Básicamente, queremos que los investigadores analicen cuantitativamente el rendimiento de su laboratorio autónomo y su algoritmo de selección de experimentos comparándolo con un punto de referencia, por ejemplo, el muestreo aleatorio.

“En última instancia, creemos que tener un enfoque estandarizado para informar sobre los laboratorios autónomos ayudará a garantizar que este campo produzca resultados confiables y reproducibles que aprovechen al máximo los programas de IA que capitalizan los grandes conjuntos de datos de alta calidad producidos por los laboratorios autónomos”, concluye Abolhasani.

 

390
Suscribirse
Notificación
0 Comments
Inline Feedbacks
Ver todos los comentarios
0
¡Aquí puedes dejar tus comentarios!x