Life Science and Materials Development in Japan: Making Massive Experiments More Efficient!
-Using AI to connect tacit knowledge and explicit knowledge-
-Automation demonstrates power beyond basic research-
University of Tokyo
Associate Professor Kanako Harada
-Using AI to connect tacit knowledge and explicit knowledge-
The University of Tokyo has developed a mouse craniectomy robot.
Robots can perform experiments that humans cannot.
By analyzing work data with AI, tacit knowledge and explicit knowledge were linked.
AI robot
Transplanting organoids
Scrape off a mouse skull with a thickness of 300 μm,
Transplant human mini-organ organoids onto the brain surface.
Associate Professor Harada has developed an experimental robot with such superhuman skills.
National Institute for Materials Science
Shogen OkamotoGroup Leader
ーThe quality and quantity of experiments is the competitiveness of the Japanese materials industryー
We have developed a measurement system that increases chemical experiments for microbial fuel cells by 240 times.
Laboratory automation scales the quality and number of experiments.
Microbial fuel cell:
It feeds on organic matter contained in sewage, etc., and extracts electric current generated by electrobacteria.
Electrobacteria on electrodes
Increased number of samples
Conventionally,
Since this experiment uses three electrodes, the number of simultaneous measurements was limited to eight samples.
Therefore,
“The measurement circuit was miniaturized and integrated” and expanded to a maximum of 1920 samples.
Okamoto group leader:
Not just “whether the resin is decomposed”,
“We can design materials while observing the power generation mechanism.”
material mechanism
Chief Researcher Michiko Yoshitake
-Discovery of alternative physical properties, data prediction-
hard-to-find data
Supplemented with readily available data,
Develop material curation.
It is difficult to find the “work function of a substance that is important in chemical reactions” through experiments.
We succeeded in “predicting this from the Vickers hardness”.
Material curation:
Utilize the connection of physical properties according to the principle.
Create causal relationships between physical properties across the fields of electronics, solid state physics, and material mechanics.
Looking at this from a bird’s-eye view, we search for alternative physical properties.
Chief Researcher Yoshitake:
“By replacing machine learning data, we can identify factors that improve prediction accuracy.”
University of Tokyo
Professor Atsuo Yamada
-L i ion dissolution and deposition on the electrode surface of a Li battery-
Research on lithium metal batteries:
Increased explainability with a hierarchical machine learning approach.
In battery research, the structure and electronic state of substances,
material properties,
interface state,
Characteristic,
Obtain battery performance data.
Taking into account the hierarchical structure, machine learning is performed to find important factors.
Factors of Li ion dissolution deposition efficiency:
-In the experiment, batteries were made with 74 different electrolytes-
Molecular structures and physical properties were “comprehensively calculated by molecular dynamics and quantum chemical calculations.”
results of the experiment:
The factors that determine the dissolution and deposition efficiency of electrode lithium were found.
After all, it was clarified that “the distance of ions is effective”.
The effect of solvent binding energy and the like is small.
Professor Yamada:
“Structure works better than physical properties.
new switch
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