Self-Driving Laboratory Optimizes the Lower Critical Solution Temperature of Thermoresponsive Polymers
Guoyue Xu, Renzheng Zhang, Tengfei Luo
为了克服传统试错材料发现的固有效率低下,科学界正越来越多地开发将数据驱动的决策集成到闭环实验工作流程中的自主实验室。 在这项工作中,我们通过开发一个低成本的“节俭孪生”平台来实现热敏聚合物的概念,用于优化聚(N-异丙烯酰胺)(PNIPAM)的较低临界溶液温度(LCST)。 我们的系统集成了机器人流体处理、在线传感器和贝叶斯优化(BO),可导航多组分盐解决方案空间以实现用户指定的LCST目标。 该平台在最少数量的实验中展示了对目标属性的融合。 它战略性地探索参数空间,从信息丰富的“脱靶”结果中学习,并自我纠正以实现最终目标。 通过提供可访问和适应性强的蓝图,这项工作降低了自主实验的进入门槛,并加速了功能性聚合物的设计和发现。
To overcome the inherent inefficiencies of traditional trial-and-error materials discovery, the scientific community is increasingly developing autonomous laboratories that integrate data-driven decision-making into closed-loop experimental workflows. In this work, we realize this concept for thermoresponsive polymers by developing a low-cost, "frugal twin" platform for the optimization of the lower critical solution temperature (LCST) of poly(N-isopropylacrylamide) (PNIPAM). Our system integrat...
