25 août 2022
Le code est open source et disponible en téléchargement.
25 août 2022
Le Consortium d’Accélération (AC), le Matter Lab et le Vector Institute se sont associés pour développer Gryffin — un ensemble « prêt à l’emploi » destiné à alimenter l’arrière-plan des laboratoires autonomes qui propulsera finalement la prochaine génération d’expérimentations scientifiques.
Une révolution de l’intelligence artificielle (IA) est bien engagée en science des matériaux. L’IA et l’apprentissage automatique ont le potentiel de perturber les processus actuels, car ils s’intègrent au cycle automatisé de conception-fabrication-test des molécules fonctionnelles et des matériaux avancés via une technologie émergente appelée laboratoires autonomes (SDL).
Alors que les processus traditionnels d’innovation des matériaux sont souvent prohibitifs et coûteux, les SDL combinent l’IA, la robotique et l’informatique avancée pour réduire radicalement le temps et le coût de commercialisation des matériaux, passant de 20 ans et 100 millions de dollars à aussi peu qu’un an et 1 million de dollars. Gryffin a déjà été employé pour piloter plusieurs prototypes de SDL, ciblant diverses applications incluant des matériaux de réflexion sur la lumière, l’optimisation des réactions chimiques et la nanotechnologie.
« La communauté de l’IA à Toronto et au Canada est en plein essor, alors que les occasions d’appliquer l’IA continuent de se multiplier dans les industries », explique Deval Pandya, directeur de l’ingénierie de l’IA au Vector Institute. « Cette collaboration entre Vector, Matter Lab et l’AC sera l’une des nombreuses à mesure que l’application de l’IA pour la découverte continue de s’étendre et de gagner de nouveaux adoptants. L’avenir de la découverte sera numérique et axé sur les données. »
« En adoptant une approche d’innovation ouverte, nous croyons qu’il y a un plus grand potentiel pour étendre cette technologie, et le faire rapidement, affirme Alán Aspuru-Guzik, directeur du Consortium d’Accélération. Pour inaugurer une ère de « matériaux à la demande », la technologie doit être omniprésente et facile à utiliser. Gryffin nous rapproche d’un jour de développer un laboratoire autonome modulaire, abordable et prêt à l’emploi, contenant non seulement le logiciel mais aussi les robots de synthèse et de caractérisation. »
Comment ça fonctionne
Grâce à l’IA et à la modélisation computationnelle, Gryffin prédit quelle combinaison de matériaux ou de molécules aura les propriétés désirées (par exemple, la conductivité) avant qu’un laboratoire robotique ne la synthétise et ne teste ces propriétés. Ces données sont ensuite réinjectées dans le système d’IA afin qu’il puisse tirer des leçons des résultats pour générer une nouvelle liste de candidats améliorée. Après des séries de prédictions, de synthèses et de tests, un gagnant émerge.
Le processus est similaire à la cuisson, une analogie récemment faite par Jason Hattrick-Simpers, directeur associé des réseaux de données et de recherche chez l’AC, dans University of Toronto Magazine. Un repas peut être très différent selon l’ordre dans lequel vous ajoutez chaque ingrédient ou si vous les faites frire, cuire au four ou faire bouillir. En science des matériaux, il y a le même genre de problème. Il existe une infinité de façons de combiner ces éléments. « Les logiciels d’optimisation basée sur les données comme Gryffin aident les chercheurs à déterminer efficacement la recette optimale pour obtenir le matériau désiré », explique Riley Hickman, l’un des principaux chercheurs du Matter Lab. Hickman a travaillé en étroite collaboration avec John Willies du Vector Institute, qui était le chef technique du projet.
Plus d’informations sur Gryffin
Gryffin est un cadre d’optimisation polyvalent permettant la sélection autonome de paramètres catégoriels (par exemple, solvant, catalyseur, ligand, etc.) et de paramètres mixtes continus-catégoriques (par exemple, température, temps de réaction, concentration, etc.) pilotés par des connaissances expertes. Cet optimiseur bayésien à échelle linéaire utilise un substitut de régression du noyau, supporte nativement l’optimisation par lots et permet de spécifier des biais intuitifs entre le comportement d’échantillonnage exploratif et exploitatif. L’algorithme est également capable de tirer parti des connaissances d’experts sous forme de descripteurs physico-chimiques des options catégorielles afin d’accélérer encore son taux d’optimisation.
À propos des partenaires
Fondé en 2017, le Vector Institute collabore avec l’industrie, les institutions, les startups et les gouvernements pour promouvoir l’excellence en recherche et le leadership en IA afin de favoriser la croissance économique et d’améliorer la vie des Canadiens. Vector est financé par la province de l’Ontario, le gouvernement du Canada et des commanditaires industriels : vectorinstitute.ai
Basé à l’Université de Toronto, le Consortium Accélération (AC) est une communauté mondiale composée du milieu universitaire, du gouvernement et de l’industrie qui accélère la découverte de nouveaux matériaux et molécules nécessaires à un avenir durable : acceleration.utoronto.ca
Le Matter Lab de l’Université de Toronto accélère la découverte de nouveaux produits chimiques et matériaux qui profitent à la société grâce à de nouvelles technologies telles que l’informatique quantique, l’apprentissage automatique et l’automatisation : matter.toronto.edu
L’AC et le Matter Lab sont tous deux dirigés par Alán Aspuru-Guzik, qui est également président CIFAR AI et membre du corps professoral à l’Institut Vector.
