Life Science in Japan: 大量の実験を効率化! rendre les expériences massives plus efficaces ! Massive Experimente effizienter gestalten! Making Massive Experiments More Efficient! 讓大規模實驗更有效率!

Life Science in Japan: 大量の実験を効率化!
rendre les expériences massives plus efficaces !
Massive Experimente effizienter gestalten!
Making Massive Experiments More Efficient!
讓大規模實驗更有效率!

ーAIで暗黙知と形式知を結びつけー

ー基礎研究以上に、自動化が威力を発揮ー

東京大学
原田香奈子准教授

ーAIで暗黙知と形式知を結びつけー

マウス頭蓋骨摘出手術ロボットを、東大が開発した。

ロボットを使えば、ヒトにはできない実験を行える。

作業データをAIで解析して、暗黙知と形式知を結びつけた。

AIロボ
オルガノイドを移植

厚さ300μmのマウス頭蓋骨を削り取り、

脳表面にヒトのミニ臓器オルガノイドを移植する。

原田准教授は「こんな超人技の実験ロボ」を開発した。

物質・材料研究機構
岡本章玄グループリーダー

ー実験の質と量が、日本素材産業の競争力ー

「微生物燃料電池の化学実験を240倍に増やす計測システム」を開発した。

ラボラトリーオートメーションで、実験の質と数を拡大した。

微生物燃料電池:

下水などに含まれる有機物をエサにして、電気細菌が生み出す電流を取り出す。

電極上の電気細菌
サンプル数の拡大

従来、

この実験は三つ電極を利用するため、同時計測数が8サンプルに限られていた。

そこで、

「測定回路を小型集積化」して、最大1920サンプルに拡大した。

岡本グループリーダー:

「樹脂が分解されるかどうかだけ」ではなく、

「発電メカニズムを見ながら、材料設計できる」のだ。

物材機構
吉武道子主席研究員

ー代替可能な物性の発見、データ予測ー

  • 手に入り難いデータを、
  • 手に入りやすいデータで補い、
  • マテリアルキュレーションを開発する。

「化学反応で重要になる物質の仕事関数」を実験で求めるのは大変だ。

「これを、ビッカース硬度から予測すること」に成功した。

マテリアルキュレーション:

原理にのっとった物性の連関を利用する。

電子工学や固体物理、材料力学の領域をまたいで、物性同士の因果関係を作る。

これを俯瞰して、代替可能な物性を探す。

吉武主席研究員:

「機械学習のデータを入替ると、予測精度を上げる因子を特定できる」のだ。

東大
山田淳夫教授

L i電池の電極表面L iイオン溶解析出ー

リチウム金属電池の研究:

階層的機械学習アプローチで説明可能性を高めた。

電池研究では物質の構造や電子状態、

材料物性、
界面状態、
特性、

電池性能のデータを入手する。

階層構造を加味し機械学習し、重要な因子を求める。

L iイオン溶解析出効率の因子:

ー実験では、74種類の電解質で電池を作製ー

分子構造や物性を「分子動力学と量子化学計算で、網羅的に計算した」のだ。

実験の結果:

電極リチウムの溶解析出効率を決める因子を探し当てた。

結局、「イオンの距離が効いていること」を解明した。

溶媒結合エネルギーなどの影響は小さい。

山田教授:

「物性よりも構造が効く。想像とは反対だった」と振り返る。

ニュースイッチ

https://newswitch.jp/p/35337

Développement des sciences de la vie et des matériaux au Japon : rendre les expériences massives plus efficaces !

-Utiliser l’IA pour connecter les connaissances tacites et les connaissances explicites-

-L’automatisation démontre un pouvoir au-delà de la recherche fondamentale-

Université de Tokyo
Professeur associé Kanako Harada

-Utiliser l’IA pour connecter les connaissances tacites et les connaissances explicites-

L’Université de Tokyo a développé un robot de craniectomie pour souris.

Les robots peuvent réaliser des expériences que les humains ne peuvent pas.

En analysant les données de travail avec l’IA, les connaissances tacites et les connaissances explicites ont été liées.

Robot IA
Transplanter des organoïdes

Grattez un crâne de souris d’une épaisseur de 300 μm,

Transplanter des organoïdes de mini-organes humains sur la surface du cerveau.

Le professeur agrégé Harada a développé un robot expérimental doté de compétences surhumaines.

Institut national des sciences des matériaux
Chef de groupe Shogen Okamoto

ーLa qualité et la quantité des expériences sont la compétitivité de l’industrie japonaise des matériauxー

Nous avons développé un système de mesure qui multiplie par 240 les expériences chimiques pour les piles à combustible microbiennes.

L’automatisation des laboratoires fait évoluer la qualité et le nombre d’expériences.

Pile à combustible microbienne :

Il se nourrit des matières organiques contenues dans les eaux usées, etc., et extrait le courant électrique généré par les électrobactéries.

Électrobactéries sur les électrodes
Augmentation du nombre d’échantillons

Classiquement,

Comme cette expérience utilise trois électrodes, le nombre de mesures simultanées a été limité à huit échantillons.

Ainsi,

“Le circuit de mesure a été miniaturisé et intégré” et étendu à un maximum de 1920 échantillons.

Chef de groupe Okamoto :

Pas seulement “si la résine est décomposée”,

“Nous pouvons concevoir des matériaux tout en observant le mécanisme de génération d’énergie.”

mécanisme matériel
Chercheur en chef Michiko Yoshitake

-Découverte de propriétés physiques alternatives, prédiction de données-

données difficiles à trouver
Complété par des données facilement disponibles,
Développer la curation matérielle.
Il est difficile de trouver la “fonction de travail d’une substance qui est importante dans les réactions chimiques” par des expériences.

Nous avons réussi à “prédire cela à partir de la dureté Vickers”.

Conservation du matériel :

Utilisez la connexion des propriétés physiques selon le principe.

Créez des relations causales entre les propriétés physiques dans les domaines de l’électronique, de la physique du solide et de la mécanique des matériaux.

En regardant cela d’un point de vue d’oiseau, nous recherchons des propriétés physiques alternatives.

Chercheur en chef Yoshitake :

“En remplaçant les données d’apprentissage automatique, nous pouvons identifier les facteurs qui améliorent la précision des prédictions.”

Université de Tokyo
Professeur Atsuo Yamada

-Dissolution et dépôt d’ions L i sur la surface d’électrode d’une batterie Li-

Recherche sur les batteries au lithium métal :

Explicabilité accrue avec une approche d’apprentissage automatique hiérarchique.

Dans la recherche sur les batteries, la structure et l’état électronique des substances,

propriétés matérielles,
état des interfaces,
Caractéristique,

Obtenez les données de performance de la batterie.

En tenant compte de la structure hiérarchique, un apprentissage automatique est effectué pour trouver des facteurs importants.

Facteurs d’efficacité du dépôt de dissolution d’ions Li :

-Dans l’expérience, des batteries ont été fabriquées avec 74 électrolytes différents-

Les structures moléculaires et les propriétés physiques ont été “complètement calculées par la dynamique moléculaire et les calculs de chimie quantique”.

résultats de l’expérience :

Les facteurs qui déterminent l’efficacité de dissolution et de dépôt du lithium d’électrode ont été trouvés.

Après tout, il a été précisé que “la distance des ions est efficace”.

L’effet de l’énergie de liaison du solvant et similaire est faible.

Professeur Yamada :

« La structure fonctionne mieux que les propriétés physiques.

nouvel interrupteur

Life Science und Materialentwicklung in Japan: Massive Experimente effizienter gestalten!

-Verwendung von KI zur Verbindung von implizitem Wissen und explizitem Wissen-

-Automatisierung demonstriert Macht jenseits der Grundlagenforschung-

Universität Tokio
Außerordentliche Professorin Kanako Harada

-Verwendung von KI zur Verbindung von implizitem Wissen und explizitem Wissen-

Die Universität Tokio hat einen Maus-Kraniektomie-Roboter entwickelt.

Roboter können Experimente durchführen, die Menschen nicht können.

Durch die Analyse von Arbeitsdaten mit KI wurden implizites Wissen und explizites Wissen verknüpft.

KI-Roboter
Transplantation von Organoiden

Schaben Sie einen Mausschädel mit einer Dicke von 300 μm ab,

Transplantieren Sie menschliche Miniorgan-Organoide auf die Gehirnoberfläche.

Associate Professor Harada hat einen experimentellen Roboter mit solch übermenschlichen Fähigkeiten entwickelt.

Nationales Institut für Materialwissenschaft
Shogen OkamotoGruppenleiter

ーDie Qualität und Quantität der Experimente ist die Wettbewerbsfähigkeit der japanischen Werkstoffindustrieー

Wir haben ein Messsystem entwickelt, das chemische Experimente für mikrobielle Brennstoffzellen um das 240-fache erhöht.

Die Laborautomatisierung skaliert die Qualität und Anzahl der Experimente.

Mikrobielle Brennstoffzelle:

Es ernährt sich von organischem Material, das in Abwässern usw. enthalten ist, und extrahiert elektrischen Strom, der von Elektrobakterien erzeugt wird.

Elektrobakterien auf Elektroden
Erhöhte Anzahl von Proben

Konventionell,

Da dieses Experiment drei Elektroden verwendet, wurde die Anzahl gleichzeitiger Messungen auf acht Proben begrenzt.

Deshalb,

“Die Messschaltung wurde miniaturisiert und integriert” und auf maximal 1920 Samples erweitert.

Leiter der Okamoto-Gruppe:

Nicht nur „ob das Harz zersetzt ist“,

“Wir können Materialien entwerfen und gleichzeitig den Stromerzeugungsmechanismus beobachten.”

materieller Mechanismus
Chefforscherin Michiko Yoshitake

-Entdeckung alternativer physikalischer Eigenschaften, Datenvorhersage-

schwer zu findende Daten
Ergänzt um leicht verfügbare Daten,
Materialkuration entwickeln.
Es ist schwierig, die “Austrittsarbeit einer Substanz, die für chemische Reaktionen wichtig ist”, durch Experimente zu finden.

Es ist uns gelungen, „dies anhand der Vickers-Härte vorherzusagen“.

Materialkuration:

Nutzen Sie den Zusammenhang physikalischer Eigenschaften nach dem Prinzip.

Erstellen Sie kausale Beziehungen zwischen physikalischen Eigenschaften in den Bereichen Elektronik, Festkörperphysik und Materialmechanik.

Betrachtet man dies aus der Vogelperspektive, suchen wir nach alternativen physikalischen Eigenschaften.

Chefforscher Yoshitake:

„Indem wir maschinelle Lerndaten ersetzen, können wir Faktoren identifizieren, die die Vorhersagegenauigkeit verbessern.“

Universität Tokio
Professor Atsuo Yamada

-Auflösung und Abscheidung von Li-Ionen auf der Elektrodenoberfläche einer Li-Batterie-

Forschung zu Lithium-Metall-Batterien:

Erhöhte Erklärbarkeit mit einem hierarchischen maschinellen Lernansatz.

In der Batterieforschung werden die Struktur und der elektronische Zustand von Substanzen,

Materialeigenschaften,
Schnittstellenzustand,
Charakteristisch,

Batterieleistungsdaten abrufen.

Unter Berücksichtigung der hierarchischen Struktur wird maschinelles Lernen durchgeführt, um wichtige Faktoren zu finden.

Faktoren der Abscheidungseffizienz der Li-Ionenauflösung:

-Im Experiment wurden Batterien mit 74 verschiedenen Elektrolyten hergestellt-

Molekulare Strukturen und physikalische Eigenschaften wurden “umfassend durch Molekulardynamik und quantenchemische Berechnungen berechnet”.

Ergebnisse des Experiments:

Die Faktoren, die die Auflösungs- und Abscheidungseffizienz von Elektrodenlithium bestimmen, wurden gefunden.

Immerhin wurde klargestellt, dass „der Abstand der Ionen wirksam ist“.

Die Wirkung der Lösungsmittelbindungsenergie und dergleichen ist gering.

Professor Yamada:

„Struktur funktioniert besser als physikalische Eigenschaften.

neuer Schalter