Le Consortium d'accélération, le Matter Lab et l'Institut Vecteur collaborent à l'élaboration d'un logiciel destiné à alimenter les laboratoires de conduite autonome

25 août 2022

Le code est libre et peut être téléchargé.

25 août 2022

L'Acceleration Consortium (AC), le Matter Lab et l'Institut Vecteur se sont associés pour développer Gryffin, un ensemble "prêt à l'emploi" destiné à alimenter l'arrière-plan des laboratoires autonomes qui, à terme, propulseront la prochaine génération d'expérimentations scientifiques.

La révolution de l'intelligence artificielle (IA) est en marche dans le domaine de la science des matériaux. L'IA et l'apprentissage automatique ont le potentiel de perturber les processus actuels, car ils s'intègrent dans le cycle automatisé de conception, de fabrication et d'expérimentation de molécules fonctionnelles et de matériaux avancés par le biais d'une technologie émergente appelée laboratoires autonomes (Self Driving Labs - SDL).

Alors que les processus traditionnels d'innovation en matière de matériaux sont souvent d'une lenteur et d'un coût prohibitifs, les SDL combinent l'IA, la robotique et l'informatique avancée pour réduire radicalement le temps et le coût de la mise sur le marché des matériaux, de 20 ans et 100 millions de dollars à seulement un an et 1 million de dollars. Gryffin a déjà été utilisé pour piloter plusieurs prototypes de SDL, ciblant diverses applications, notamment les matériaux qui captent la lumière, l'optimisation des réactions chimiques et la nanotechnologie.

"La communauté de l'IA à Toronto et au Canada est en plein essor, car les possibilités d'application de l'IA continuent de se multiplier dans tous les secteurs", déclare Deval Pandya, directeur de l'ingénierie de l'IA à l'Institut Vecteur. "Cette collaboration entre Vector, Matter Lab et l'AC sera l'une des nombreuses, car l'application de l'IA à la découverte continue de s'étendre et de gagner de nouveaux adeptes. L'avenir de la découverte sera numérique et axé sur les données".

En adoptant une approche d'innovation ouverte, nous pensons qu'il existe un plus grand potentiel pour développer cette technologie, et ce rapidement", a déclaré Alán Aspuru-Guzik, directeur du Consortium d'accélération. Pour inaugurer l'ère des "matériaux à la demande", la technologie doit être omniprésente et facile à utiliser. Gryffin nous rapproche du développement d'un laboratoire modulaire, abordable et prêt à l'emploi, contenant non seulement le logiciel, mais aussi les robots de synthèse et de caractérisation."

Comment cela fonctionne-t-il ?

Grâce à l'IA et à la modélisation informatique, Gryffin prédit quelle combinaison de matériaux ou de molécules aura les propriétés souhaitées (par exemple, la conductivité) avant qu'un laboratoire robotisé ne les synthétise et ne les teste. Ces données sont ensuite renvoyées au système d'IA afin qu'il puisse tirer des enseignements des résultats et générer une nouvelle liste de candidats plus performants. Après des séries de prédictions, de synthèses et de tests, un gagnant émerge.

Le processus est similaire à la cuisine, une analogie récemment faite par Jason Hattrick-Simpers, directeur associé des réseaux de données et de recherche de l'AC, dans le magazine de l'université de Toronto. Un repas peut s'avérer très différent selon l'ordre dans lequel vous ajoutez chaque ingrédient ou selon que vous les faites frire, cuire ou bouillir. La science des matériaux est confrontée au même type de problème. Il existe une infinité de façons d'assembler ces éléments. "Un logiciel d'optimisation basé sur des données comme Gryffin aide les chercheurs à déterminer efficacement la recette optimale pour obtenir le matériau qu'ils souhaitent", explique Riley Hickman, l'un des chercheurs principaux du laboratoire Matter pour ce projet. Riley Hickman a travaillé en étroite collaboration avec John Willies, de l'Institut Vecteur, qui était le responsable technique du projet.

En savoir plus sur Gryffin

Gryffin est un cadre d'optimisation à usage général pour la sélection autonome de paramètres catégoriels (par exemple, solvant, catalyseur, ligand, etc.) et de paramètres catégoriels continus mixtes (par exemple, température, temps de réaction, concentration, etc. Cet optimiseur bayésien à échelle linéaire utilise un substitut de régression à noyau, supporte nativement l'optimisation par lots et permet de spécifier des biais intuitifs entre un comportement d'échantillonnage exploratoire et un comportement d'échantillonnage d'exploitation. L'algorithme est également capable d'exploiter les connaissances d'experts sous la forme de descripteurs physico-chimiques d'options catégorielles afin d'accélérer encore son taux d'optimisation.

A propos des partenaires

Fondé en 2017, l'Institut Vecteur travaille avec l'industrie, les institutions, les startups et les gouvernements pour stimuler l'excellence de la 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 de l'industrie. vectorinstitute.ai

Basé à l'Université de Toronto, le Consortium d'accélération (AC) est une communauté mondiale d'universitaires, de gouvernements et d'industriels qui accélèrent la découverte de nouveaux matériaux et de nouvelles 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 en utilisant 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 titulaire d'une chaire d'IA du CIFAR et membre du corps enseignant de l'Institut Vecteur.

En rapport :

Des protocoles normalisés sont essentiels pour un déploiement responsable des modèles linguistiques

Les inconnues connues : Geoff Pleiss, chercheur chez Vector, se penche sur l'incertitude pour rendre les modèles de ML plus précis.

Un homme regarde un tableau blanc sur lequel sont inscrites des formules en rouge.
Perspectives
Une IA digne de confiance

Comment mettre en œuvre des systèmes d'IA en toute sécurité