Les scientifiques modifient le nombre d’expériences gérées en employant une équipe coordonnée de robots alimentés par l’IA

Pour construire les stations expérimentales du futur, les scientifiques du National Synchrotron Light Source II (NSLS-II), un bureau des utilisateurs du département américain de l’Énergie (DOE) au DOE’s Brookhaven National Laboratory, apprennent de certains des défis auxquels ils sont confrontés aujourd’hui. Alors que les technologies et les capacités des sources lumineuses continuent de progresser, les chercheurs doivent naviguer dans des flux de travail de plus en plus complexes et en évolution rapidement des demandes expérimentales.

Pour relever ces défis, une équipe de scientifiques du NSLS-II forment une équipe de robots collaboratifs dirigés par l’IA. Ces systèmes agiles et adaptables sont développés pour se déplacer rapidement entre les tâches, s’adapter à différentes configurations expérimentales et répondre de manière autonome aux données en temps réel.

En prenant des travaux en utilisant des processus d’apprentissage plutôt que des étapes préprogrammées, tout comme un chercheur humain, ces robots aident les scientifiques à réaliser un avenir où ces systèmes peuvent être déployés à la demande, leur permettant d’explorer de nouvelles possibilités et d’exploiter pleinement les capacités de pointe de l’installation pour tout enquêter, des technologies de la batterie aux matériaux quantiques.

L’équipe a réussi à démontrer cette technologie en déployant rapidement un prototype de l’un de ces systèmes robotiques pour exécuter une expérience autonome du jour au lendemain. La configuration comprenait des échantillons de différentes tailles qui ont été placés au hasard dans l’environnement expérimental sans aucune connaissance préprogrammée de leur emplacement.

L’expérience simulée s’est déroulée pendant huit heures sans erreurs, présentant le potentiel d’intégration robotique conviviale et dirigée par l’IA dans la recherche scientifique. Leurs résultats ont été récemment publiés dans Découverte numérique.

« Nous envisageons un nouveau chemin à parcourir », a déclaré Phillip Maffettone, scientifique informatique de la division Data Science and Systems Integration (DSSI) de NSLS-II. « Cette approche ne consiste pas seulement à accélérer les expériences actuelles; c’est une feuille de route pour la prochaine génération de lignes de faisceau – modulaire, intelligente et profondément intégrée à l’IA. Nous concevons un système qui s’adapte dynamiquement aux besoins des utilisateurs. »

Construire une fondation d’automatisation

NSLS-II exploite actuellement 29 lignes de faisceau, avec trois autres en construction et plusieurs autres en développement. La gamme, la complexité et le volume d’expériences menées à travers ces lignes de faisceau présentent un défi: la conception d’un système qui peut automatiser les workflows existants tout en restant suffisamment flexible pour s’adapter à de nouveaux types d’expériences et de nouvelles lignes de faisceau à mesure qu’elles sont en ligne.

La communauté synchrotron a déjà trouvé beaucoup de succès dans l’automatisation des expériences de cristallographie aux rayons X macromoléculaires (MX) utilisant la robotique. Les lignes de faisceau MX peuvent désormais effectuer des expériences automatisées et semi-automatisées qui atteignent régulièrement une fiabilité de 99,96%, ce qui a augmenté le débit des expériences MX. À NSLS-II seulement, près de 13 000 échantillons ont été montés sur la ligne de faisceau de cristallographie macromoléculaire hautement automatisée (AMX) au cours des quatre derniers mois.

Les systèmes robotiques utilisés à ces lignes de faisceau sont très efficaces pour les échantillons MX, et les robots ont inspiré les scientifiques à réfléchir à ce à quoi pourrait ressembler un système plus modulaire lorsqu’ils ont développé des idées pour de nouvelles conceptions de ligne de faisceau.

Daniel Olds est le scientifique de la ligne de faisceau de plomb lors de la prochaine ligne de faisceau de diffraction de poudre à haute résolution (HRD) au NSLS-II. La conception de la ligne de faisceau permet aux utilisateurs de prendre des mesures in situ rapides qui révèlent des comportements de matériaux en temps réel tels que le cycle de batterie, les réactions catalytiques et les transitions de phase – une approche qui exige un système innovant et adaptable adapté à des environnements d’échantillonnage personnalisés.

« Nous abordons un défi auquel sont confrontés de nombreux chercheurs: comment pouvons-nous retirer le plus de science d’une fenêtre limitée de temps de faisceau? » Dit Olds. « Avec autant de formats et si peu de temps, la gestion de ces expériences devient un sprint logistique à enjeux élevés. »

Pour envisager à quoi pourraient ressembler les futures expériences, Maffettone, Olds et une équipe de scientifiques de DSSI ont étudié les expériences actuelles qui bénéficieraient le plus de l’automatisation flexible. Ils se sont concentrés sur la ligne de faisceau de la fonction de distribution des paires (PDF), où les scientifiques en visite, en particulier ceux qui étudient les matériaux de la batterie, arrivent souvent avec des centaines d’échantillons uniques. Ceux-ci peuvent aller des poudres en capillaires étroits aux « coupons » plats et même à des batteries complètes de cellules de poche comme celles utilisées dans les véhicules électriques. Certains doivent être mesurés lors de la charge et de la décharge en temps réel.

Au lieu de travailler dans une seule géométrie ou configuration, un robot « intelligent » serait en mesure d’apprendre rapidement à gérer une grande variété de types d’échantillons qui diffèrent en forme, en taille et en poids, comme le ferait un scientifique humain. Ce type d’adaptabilité réduirait les temps d’arrêt, permettait un fonctionnement continu en ligne de faisceau et des chercheurs libres de se concentrer davantage sur les idées que sur la logistique.

Prenez des échantillons capillaires, par exemple. Ceux-ci sont généralement montés sur des supports en forme de T qui contiennent 10 à 30 capillaires chacun. Une fois chargés et alignés avec le faisceau, les capillaires sont scannés séquentiellement à mesure que le support se déplace verticalement, permettant à différentes régions de chaque échantillon de mesurer et en moyenne pour des données plus fiables.

Les analyses sont rapides, chaque support ne prenant que cinq à 10 minutes, laissant les utilisateurs peu de temps entre les changements d’échantillons. Actuellement, le passage d’un matériau de batterie contenant capillaire à une configuration de batterie d’opérando réelle nécessite également d’arrêter l’expérience, d’ouvrir la huche protectrice et d’échanger manuellement des échantillons. Un système automatisé pourrait rationaliser ces processus, mais seulement s’il est intuitif et flexible.

Pour la recherche en énergie en particulier, ce changement pourrait être transformateur. Les progrès dans le stockage d’énergie dépendent de la possibilité de dépister de nouveaux matériaux et de les tester rapidement dans des conditions du monde réel avec un temps prévu limité sur la ligne de faisceau. La robotique adaptative au NSLS-II accélérerait considérablement ce processus, aidant les chercheurs à développer la prochaine génération de batteries hautes performances pour des applications allant des écouteurs aux véhicules électriques.

Ce n’est qu’un exemple des nombreux types d’expériences dans plusieurs domaines différents que ce type de système espère accélérer. Comme l’a expliqué Maffettone, « le rêve est d’avoir des robots intelligents que les utilisateurs peuvent demander à temps par cuisson.

Prêter un bras articulé aidant

Pour tester le type de matériel que ce système d’automatisation utiliserait, l’équipe a mis en place un prototype de robot conçu pour aider à la ligne de faisceau PDF. Le modèle Universal Robot UR3E a été utilisé comme base pour cette première course. Pour saisir des échantillons, ils ont utilisé la pince à main Robotiq à deux doigts.

Ce modèle a le rapport de résistance et de saisie dont les utilisateurs auraient généralement besoin, et il peut être rapidement installé sur l’ur3e.po « voir » son environnement, une caméra avec des capteurs de profondeur avancés a été montée au-dessus de la pince avec un support de couplage personnalisé qui a été créé par l’équipe.

Ils avaient également besoin de trouver la bonne architecture logicielle pour gérer cette équipe de robots et les différentes tâches qu’ils apprendraient à effectuer. Heureusement, NSLS-II avait déjà une boîte à outils suffisamment flexible pour un projet comme celui-ci dans Bluesky, une spécification d’expérience open source et un moteur d’orchestration.

Bluesky a été adapté par de nombreuses lignes de faisceau, même en dehors du NSLS-II, ce qui facilite la « branche » de matériel comme ces robots et d’intégrer des systèmes d’apprentissage AI et machine qui pourraient être utilisés pour les automatiser. Pour orchestrer les robots eux-mêmes, ils auraient besoin d’un logiciel tout aussi adaptable.

De nombreux robots utilisés reposent aujourd’hui sur des logiciels développés et entretenus uniquement par le fournisseur, ce qui impose plusieurs limitations. Robot Operating System 2 (ROS2), un kit de développement de logiciels open source, a fourni une solution idéale. Cette vaste bibliothèque d’outils logiciels est soutenue par une communauté active qui reste à la pointe des nouveaux développements en robotique.

En tirant parti de ROS2, de nombreux robots compatibles différents dans un écosystème à croissance rapide peuvent être échangés pour l’UR3E à l’avenir. Il fournit également des outils pour développer des simulations d’économie de temps.

« Le développement d’applications pour des outils uniques peut prendre des efforts substantiels et nécessiter souvent du temps sur la ligne de faisceau », a expliqué Maffettone. « Avec les robots, nous avons pu résoudre ce problème en utilisant ROS2. Je peux capturer des modèles d’équipement de maintien des échantillons et des obstacles, les charger en ROS, puis les brancher dans un environnement expérimental simulé. Les développeurs peuvent accéder à ces simulations et tracer les mouvements d’un robot pour construire les applications dont ils ont besoin pour une expérience avant de voir le robot – ou d’arriver à la ligne de poutre. »

Avec tout en place, il était temps de voir comment ce système fonctionnait dans un environnement réel avec des échantillons réels. Après quelques simulations réussies, l’équipe a commencé avec quelques supports capillaires au PDF. Les supports de l’expérience ont été configurés arbitrairement sur une table à différentes positions et hauteurs. Les petits marqueurs visuels uniques, similaires aux codes QR, ont été respectés aux supports afin que la caméra du robot puisse les détecter et alimenter les informations à un serveur où la position et l’orientation seraient déterminées en temps réel et mappées à une base de données d’échantillons.

Au début de l’expérience, une danse complexe se produit entre Bluesky et Ros2. Bluesky a l’expérience cartographiée et utilise des agents AI pour donner à ROS2 un objectif pour le robot. Au fur et à mesure que le robot commence à charger des échantillons, il rapporte tous les obstacles, erreurs ou échecs possibles qu’il expérimente à Bluesky afin que les informations puissent être utilisées pour décider quoi faire ensuite. Les systèmes actuels reposent sur des mouvements pré-planifiés et des coordonnées d’échantillon rigides. Ce processus de boucle fermée maintient l’expérience plus dynamique et adaptative.

Dans l’environnement expérimental, le robot a réussi 195 manipulations d’échantillons continues du jour au lendemain sans erreur. Le système automatisé a choisi des échantillons, les a chargés sur un support de réception, a pris des mesures simulées, a renvoyé l’échantillon d’où il a été trouvé et a choisi l’échantillon suivant en fonction des informations qu’il obtenait.

Bien qu’il y ait encore du travail à faire pour faire évoluer ce travail, les résultats initiaux sont déjà prometteurs envers l’objectif des expériences semi-autonomes qui donnent aux chercheurs la liberté de mener des expériences plus efficaces et innovantes.

« Les utilisateurs faisaient souvent des blagues en changeant d’échantillons sur la façon dont il serait agréable d’avoir un robot qui pourrait le faire à la place », a fait remarquer Olds, « ce travail pousse vers un endroit où c’est une réalité. Je suis ravi de voir ces robots devenir une partie de routine des opérations de ligne de faisceau sur lesquelles les utilisateurs peuvent s’appuyer. »

Vers un avenir où les robots relient les humains

L’équipe examine déjà les défis qui doivent être relevés et les idées qui doivent être explorées afin de récolter le plein potentiel de ce projet. La première grande poussée serait de s’assurer que ces robots peuvent s’adapter à une variété de conditions expérimentales à plusieurs types de lignes de faisceau.

Cela nécessiterait des solutions qui donnent aux robots la possibilité d’échanger des périphériques, comme des pinces, en fonction du type d’échantillon avec lequel ils travaillent. Ils explorent également la robotique multi-agents pour des flux de travail expérimentaux plus complexes et pour des robots qui peuvent mieux percevoir leur environnement.

Un système comme celui-ci n’accélèrera pas seulement des expériences, il pourrait également ouvrir la porte à de nouveaux types de multimodalité – des expériences qui peuvent exécuter les mêmes échantillons à différentes lignes de faisceau. Les utilisateurs peuvent maximiser le temps de leur faisceau en mesurant les mêmes matériaux en utilisant différentes techniques complémentaires et demander à ces systèmes automatisés de communiquer entre eux en temps réel sur la meilleure façon d’effectuer l’expérience.

« La robotique deviendra de plus en plus nécessaire à l’avenir », a déclaré Stuart Campbell, scientifique en chef des données du NSLS-II, directeur adjoint de la division DSSI et co-auteur. « Alors que nous affinons un moyen courant d’intégrer ces robots à travers l’installation, nous réfléchissons également à la façon dont cela pourrait fonctionner sur l’ensemble du réseau d’installations de source de lumière DOE.

« Des projets comme celui-ci commencent à jeter les bases de initiatives interfonctionnelles encore plus importantes. Un jour, nous pouvons être en mesure de tirer parti de l’automatisation et de la robotique pour améliorer les expériences multimodales non seulement à travers les lignes de faisceau mais dans des laboratoires à travers le pays. »