ربات‌ها و هوش مصنوعی با هم کار می‌کنند تا داروهای بهتر، شامپو و موارد دیگر را برای شما به ارمغان بیاورند

هر بار که خمیر دندان را روی مسواک خود فشار می دهید، عطر را روی پوست خود اسپری می کنید یا قرصی را قورت می دهید، از نتیجه یک دستور پخت با دقت ساخته شده در آزمایشگاه استفاده می کنید. به اینها فرمولاسیون می گویند.

فرمولاسیون ها فقط مخلوط های ساده نیستند – آنها آرایش های پیچیده ای از مواد هستند که برای کار با هم به روش های خاص طراحی شده اند.

درست کردن دستور غذا می تواند به معنای تفاوت بین محصولی باشد که در قفسه می نشیند (یا هرگز به قفسه نمی رسد) و محصولی که زندگی را تغییر می دهد.

در اینجا در NIST، ما در حال ایجاد انقلابی در نحوه ایجاد و بهبود فرمولاسیون توسط دانشمندان هستیم. ما امیدواریم که نتیجه محصولات بهتری باشد که هر روز استفاده می کنید.

این فرآیند ترکیبی از رباتیک، هوش مصنوعی و تجزیه و تحلیل مواد پیشرفته است. برای مثال، ما می‌توانیم از نوترون‌ها یا اشعه ایکس برای عکس‌برداری از نحوه چیدمان مولکول‌های میلیون‌ها برابر کوچک‌تر از موی انسان در مواد استفاده کنیم.

این فقط تولید محصولات بهتر نیست. این در مورد ساخت آنها به روش هایی است که سریعتر و کارآمدتر باشند و در عین حال ردپای سبک تری بر سلامت و محیط زیست بگذارند. این اتفاق در ما می افتد آزمایشگاه فرمولاسیون خودمختار (AFL) در پردیس NIST در Gaithersburg، مریلند.

اکنون محصولات شما چگونه ساخته می شوند

فرض کنید شما صاحب یک شرکت شامپو هستید و یک عنصر کلیدی در شامپو شما به دلیل مشکلات زنجیره تامین دیگر در دسترس نیست.

اکنون باید فرمول خود را دوباره بسازید تا یک ماده جایگزین قرار دهید. اما چه ماده ای؟ چقدر از آن؟ اگر آن ماده جدید عواقب ناخواسته ای داشته باشد که بر سایر قسمت های دستور غذا تأثیر بگذارد، چه؟

امروزه این چالش فرمولاسیون محصول است. فرمول‌بندی مجدد یک محصول مصرفی می‌تواند ماه‌ها تحقیق و پول زیادی را ببرد. اغلب به آزمون و خطا یا دانش تخصصی نیاز دارد. در حالی که این دانش ارزشمند است، کارشناسان ممکن است در تطبیق با مواد جدید یا تغییر با مشکل مواجه شوند.

اما به عنوان یک جامعه علمی، می توانیم بهتر عمل کنیم. NIST کارشناسانی دارد که از ابزارهایی برای بررسی ساختار مواد و اندازه گیری آنها در کوچکترین مقیاس ها استفاده می کنند. اما تعداد زیاد نمونه ها انجام این کار را در آزمایشگاه فرمولاسیون سنتی چالش برانگیز می کند.

هوش مصنوعی را وارد کنید.

یک حلقه هوشمند و تعاملی

در اینجا نحوه عملکرد این فرآیند آمده است:

مرحله 1: اختلاط دقیق

مانند پخت و پز، ما با جمع آوری مواد شروع می کنیم. به جای اینکه آنها را در فر قرار دهیم، آنها را در ویال های کوچکی به اندازه یک قوطی فیلم قرار می دهیم و به رایانه می گوییم که چه هستند. سپس کامپیوتر یک سیستم روباتیک مجهز به پیپت را کنترل می کند. این کامپیوتر به طور دقیق مقادیر کمی از مواد شیمیایی را از ویال های مختلف اندازه گیری و مخلوط می کند. مقدار مخلوط بسیار ناچیز است – حدود 30 میکرولیتر، کمتر از یک نقطه جوهر از یک قلم نوک ریز.

مرحله 2: تجزیه و تحلیل ساختاری پیشرفته

هنگامی که نمونه آماده شد، با استفاده از تجهیزاتی که مانند یک میکروسکوپ پیشرفته کار می کنند، آن را در سطح بسیار دقیق تجزیه و تحلیل می کنیم. ما به این تکنیک های پراکندگی پیشرفته می گوییم.

این تکنیک‌ها به ما اجازه می‌دهند تا مشاهده کنیم که چگونه مواد شیمیایی مختلف خود را در ساختارهای بزرگ‌تر در فرمول سازماندهی می‌کنند. سپس می‌توانیم پیش‌بینی‌هایی در مورد نحوه رفتار محصولات پس از تهیه «دستور غذا» انجام دهیم.

این تکنیک های پراکندگی معمولاً در یک منبع نوترونی اتفاق می افتد، مانند مرکز تحقیقات نوترونی NIST در پردیس Gaithersburg ما. آنها همچنین گاهی اوقات در دستگاهی به طول نیم مایل اتفاق می‌افتند که پرتوهای ایکس فوق‌العاده درخشانی را ایجاد می‌کند که به عنوان سنکروترون شناخته می‌شود.

مرحله 3: بهینه سازی و یادگیری مبتنی بر هوش مصنوعی

اینجا جایی است که جادو اتفاق می افتد. در طول فرآیند اندازه‌گیری فرمول‌بندی، داده‌های زیادی را جمع‌آوری کرده و آن‌ها را به یک سیستم هوش مصنوعی وارد می‌کنیم. هوش مصنوعی اطلاعات را تجزیه و تحلیل می‌کند، در مورد آن می‌آموزد و پیش‌بینی می‌کند که کدام ساختار فرمول‌بندی با توجه به اهداف سازنده بهتر عمل می‌کند. سپس به سیستم روباتیک دستور می دهد تا این فرمول جدید را بر اساس آنچه از وظایف گذشته آموخته است ایجاد کند.

اما به همین جا ختم نمی شود. ربات فرمول جدید را تجزیه و تحلیل می کند و نتایج را به هوش مصنوعی برمی گرداند. با هر تکرار، هوش مصنوعی یاد می گیرد، درک خود را اصلاح می کند و پیش بینی های پیچیده ای را انجام می دهد. گویی سیستم در حال فکر کردن، یادگیری و تکامل رویکرد خود در زمان واقعی است.

این یک حلقه آزمایش و بهبود ایجاد می کند و به طور چشمگیری روند توسعه داروها و سایر محصولات مصرفی را تسریع می کند. آنچه ممکن است ماه ها یا سال ها آزمون و خطا طول بکشد، اکنون می تواند در چند ساعت یا روز انجام شود.

البته هوش مصنوعی کامل نیست و نمی‌توانید بدون آزمایش گسترده محصول به آن اعتماد کنید. شرکت های درگیر در این فرآیند هنوز محصولات خود را آزمایش می کنند. هوش مصنوعی به آن‌ها کمک می‌کند تا سریع‌تر و راحت‌تر از آنچه که قبلاً می‌توانستند، «دستور العمل‌های» خود را توسعه دهند.

تاثیر دنیای واقعی

در همکاری اخیر با یک شرکت داروسازی، AFL با یک مشکل فرمولاسیون پیچیده در چند ساعت مقابله کرد – فرآیندی که ممکن است با استفاده از روش‌های سنتی ماه‌ها طول بکشد.

با تمرکز بر آرایش ساختاری اجزای فرمولاسیون و یادگیری از هر تلاش، تیم می‌تواند به سرعت مسائلی را که بر عملکرد دارو تأثیر می‌گذارد شناسایی و حل کند.

اما تأثیر AFL فراتر از داروها است.

ما به تولیدکنندگان کمک می کنیم تا طیف وسیعی از محصولات را با بهینه سازی ترکیبات ساختاری خود بهبود بخشند. این امر در مورد همه چیز از شامپو و رنگ گرفته تا مایعات خودرو و شوینده های پاک کننده صدق می کند.

AFL می تواند تقریباً هر فرمول مایع را در حال حاضر اداره کند. ما در حال بررسی راه هایی برای تطبیق آن برای تجزیه و تحلیل جامدات ساختاری در آینده هستیم.

ایجاد تفاوت با علوم صنعتی

مانند بسیاری از افرادی که این نوع کار را انجام می دهند، من عاشق یک مشکل جالب هستم.

وقتی برای اولین بار به عنوان یک محقق فوق دکترا به NIST آمدم، بسیار ساده لوح بودم. من مدتی در صنایع شیمیایی تخصصی کار کرده بودم، اما فکر می‌کردم که اکثر مشکلات صنعتی بیشتر به مهندسی نزدیک هستند تا علوم عمیق.

اما من شروع به کار روی این پروژه کردم که شامل بیرون کشیدن نمک از آب دریا. در بسیاری از مناطق خاورمیانه و آفریقای جنوبی آب آشامیدنی به این صورت است. این در مقیاس گسترده استفاده می شود و هیچ کس واقعاً نمی داند که چرا کار می کند.

دیدن این فرآیند باورنکردنی که مسئول زنده نگه داشتن میلیون‌ها نفر است بسیار چشم‌نواز بود و هنوز سؤالات اساسی در مورد اینکه چرا کار می‌کند وجود دارد. این سوالات ما را از مهندسی چیزی بهتر باز می دارد.

از طریق آن کار، من با کنسرسیومی از شرکت‌هایی که با NIST کار می‌کنند، درگیر شدم. به نام nSoft. من به سرعت متوجه شدم که این نوع مشکل نسبتاً معمولی است.

هر جا که به علم اعضا نگاه می‌کردم – از نوارهای چسب قابل جابجایی برای آویزان کردن تصاویر روی دیوار گرفته تا حباب‌های صابون – سوالات عمیق و اساسی در مورد جهان وجود داشت. تیم‌هایی از باهوش‌ترین افرادی که من تا به حال ملاقات کرده‌ام به این سؤالات نگاه می‌کنند و سعی می‌کنند بفهمند. من تبدیل شدم

درست قبل از همه‌گیری، همکارم تایلر مارتین پروژه‌ای را آغاز کرد که شامل خرید و ساخت ربات‌هایی برای مخلوط کردن محلول‌های خودکار بود. تایلر از من دعوت کرد تا به سخت افزار نگاه کنم و در مورد چند مشکل کوچک کمک کنم. وقتی دستگاه‌ها رسیدند، مدام به آزمایشگاه می‌رفتم تا روی نرم‌افزار برای آن‌ها کار کنم و نحوه جابجایی راه‌حل‌ها را سرهم‌بندی کنم. من می خواستم توانایی ها را درک کنم و از آن برای به دست آوردن نتایج واقعی استفاده کنم. در نهایت، این “سرگرمی” تمرکز اصلی علمی من شد.

این پروژه برای من بسیار رضایت بخش بوده است. ما در حال دریافت نتایج عالی هستیم و واقعاً مشکلات معناداری را با شرکت هایی که با آنها کار می کنیم حل می کنیم. چیزی که به عنوان یک تیم کوچک دو نفره شروع شد، به شبکه‌ای از دانشجویان، فوق‌دکترها، همکاران علمی و سایر دانشمندان تأسیساتی که در سراسر جهان هستند، تبدیل شده است.

وقتی به سر کار می‌آیید و روبات‌هایی را می‌سازید و عیب‌یابی می‌کنید تا به سؤالات اساسی در مورد جهان که میلیاردها نفر را تحت تأثیر قرار می‌دهند، رسیدگی کنید، کار بسیار خوبی خواهید داشت. من به ویژه خوش شانس هستم که با تیم فوق العاده ای که ساخته ایم کار می کنم. به معنای واقعی کلمه هیچ کاری وجود ندارد که من ترجیح می دهم انجام دهم. من در حال زندگی رویایی 10 ساله خود هستم – ساخت روبات و تغییر جهان.

نگاه کردن به جلو

در حالی که این رویکرد وعده‌های فوق‌العاده‌ای دارد، ما باید آن را افزایش دهیم تا شرکت‌های بیشتری بتوانند از آن در فرآیندهای فرمول‌بندی محصول خود استفاده کنند.

ما روش‌شناسی خود را برای هر کسی که می‌خواهد آن را بازسازی کند منتشر می‌کنیم. ما همچنین در حال کار با شرکت ها در کنسرسیوم nSoft و ارائه پشتیبانی عملی به آنها در بازآفرینی این امکانات در سایر امکانات مانند ما در سراسر کشور.

همانطور که این فناوری به تکامل خود ادامه می‌دهد، می‌توانیم منتظر محصولات مؤثرتر و نوآورانه‌تر در طیف گسترده‌ای از صنایع باشیم – همه اینها به لطف سیستمی است که هرگز یادگیری و بهبود را متوقف نمی‌کند.