Peneliti Kenalkan Laboratorium AI yang Bisa Kumpulkan 10 Kali Lebih Banyak Data

AKURAT.CO Peneliti dari North Carolina State University memperkenalkan laboratorium “self-driving” berbasis AI yang mampu mengumpulkan minimal 10 kali lebih banyak data dibandingkan metode sebelumnya, serta bekerja dengan kecepatan yang lebih tinggi, sehingga mempercepat riset penemuan material, sambil mengurangi biaya dan dampak lingkungan

Mengutip ScienceDaily, laboratorium ini adalah platform robotik yang menggabungkan machine learning dan otomatisasi dengan ilmu kimia dan material, sehingga algoritma dapat menentukan eksperimen selanjutnya berdasarkan hasil eksperimen sebelumnya untuk mencapai target yang ditetapkan

Menurut Milad Abolhasani, profesor dari NC State sekaligus penulis makalah dalam Nature Chemical Engineering, teknologi ini memungkinkan penemuan material seperti untuk energi bersih, elektronik, dan bahan berkelanjutan dalam hitungan hari, bukan tahun, dengan penggunaan bahan yang jauh lebih efisien dan limbah yang minimal.

Sebelumnya, self-driving labs menggunakan eksperimen aliran-statis (steady-state), di mana campuran bahan bereaksi lalu diukur sewaktu-waktu, menyebabkan sistem sering menganggur selama reaksi, yang bisa memakan waktu hingga satu jam per percobaan

Kini, laboratorium tersebut meningkatkan performa dengan eksperimen aliran-dinamis: campuran kimia terus diproses dan dipantau secara real-time tiap 0,5 detik. Dengan demikian, yang semula hanya satu titik data setelah 10 detik reaksi, kini direkam menjadi puluhan titik data, menyerupai alih dari “snapshot” ke versi penuh video proses reaksi.

Data more intensif ini meningkatkan akurasi prediksi dari algoritma machine learning. Semakin banyak data berkualitas tinggi yang diterima, makin cepat dan tepat sistem menentukan eksperimen optimal berikutnya, sekaligus mengurangi konsumsi bahan kimia.

Hasilnya, laboratorium aliran-dinamis ini mampu menghasilkan setidaknya 10 kali lebih banyak data dibandingkan metode aliran-statis dalam periode yang sama, dan berhasil menemukan kandidat material terbaik sejak percobaan pertama setelah pelatihan.

Lebih dari sekadar kecepatan, pendekatan ini juga mengurangi jumlah eksperimen dan limbah kimia, membawa penelitian material yang lebih berkelanjutan. Langkah ini menjadi model ke masa depan: penemuan material yang cepat sekaligus bertanggung jawab secara lingkungan.