日本的生命科學與材料開發：讓大規模實驗更有效率！
-用AI連接隱性知識和顯性知識-
-自動化展示超越基礎研究的力量-
東京大學
原田加奈子副教授
-用AI連接隱性知識和顯性知識-
東京大學開發了小鼠顱骨切除術機器人。
機器人可以進行人類無法進行的實驗。
通過用人工智能分析工作數據，將隱性知識和顯性知識聯繫起來。
人工智能機器人
移植類器官
刮下厚度為300μm的小鼠頭骨，
將人體微型器官器官移植到大腦表面。
原田副教授開發了具有這種超人技能的實驗機器人。
材料科學研究所
Shogen OkamotoGroup Leader
ー實驗的質量和數量是日本材料產業的競爭力ー
我們開發了一種測量系統，可以將微生物燃料電池的化學實驗增加 240 倍。
實驗室自動化可衡量實驗的質量和數量。
微生物燃料電池：
以污水等中含有的有機物為食，提取由電細菌產生的電流。
電極上的電細菌
樣本數量增加
按照慣例，
由於該實驗使用三個電極，因此同時測量的數量限制為八個樣本。
所以，
“測量電路小型化、集成化”，最大擴展到1920個樣本。
岡本組組長：
不僅僅是“樹脂是否分解”，
“我們可以在觀察發電機制的同時設計材料。”
物質機制
首席研究員 Michiko Yoshitake
-替代物性發現、數據預測-
難以找到的數據
輔以現成的數據，
開發材料管理。
很難通過實驗找到“對化學反應很重要的物質的功函數”。
我們成功地“從維氏硬度預測了這一點”。
素材整理：
根據原理利用物理性質的聯繫。
在電子學、固態物理學和材料力學領域的物理特性之間建立因果關係。
從鳥瞰的角度來看，我們尋找替代的物理特性。
首席研究員 Yoshitake：
“通過替換機器學習數據，我們可以確定提高預測準確性的因素。”
東京大學
山田篤夫教授
-Li離子在鋰電池電極表面的溶解與沈積-
鋰金屬電池研究：
通過分層機器學習方法提高可解釋性。
在電池研究中，物質的結構和電子態，
材料特性，
接口狀態，
特徵，
獲取電池性能數據。
考慮到層次結構，進行機器學習以找到重要因素。
鋰離子溶解沉積效率的因素：
– 在實驗中，電池由 74 種不同的電解質製成 –
分子結構和物理性質“通過分子動力學和量子化學計算綜合計算”。
實驗結果：
找到了決定電極鋰溶解和沈積效率的因素。
畢竟，“離子的距離是有效的”已經澄清了。
溶劑結合能等的影響很小。
山田教授：
“結構比物理特性更有效。
新開關
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