Gesloten onderzoekscyclus: als AI en robots samen wetenschap bedrijven
Stel je een kok voor die niet alleen kookt, maar na elke hap ook zelf proeft, het recept bijstelt en meteen een nieuwe versie op het vuur zet — dag en nacht, zonder ooit te slapen of op een oordeel van een ander te wachten. Iets vergelijkbaars gebeurt in een groeiend aantal laboratoria, maar dan met scheikundige stoffen of materialen in plaats van eten. Een computerprogramma bedenkt welk experiment het meest leerzaam is, een robot voert het uit, meetapparatuur registreert het resultaat, en diezelfde computer gebruikt die uitkomst meteen om het volgende experiment te plannen. Dat hele proces, waarbij denken en doen elkaar zonder tussenkomst van een mens blijven opvolgen, noemen onderzoekers een gesloten onderzoekscyclus.
De term "gesloten" slaat op het feit dat de cirkel rond is: normaal gesproken doet een wetenschapper een proef, wacht dagen of weken op analyse, denkt na en bedenkt pas dan een vervolgstap. In een gesloten cyclus zit die denkstap ingebakken in software, waardoor de hele lus — hypothese, experiment, meting, bijstelling — in uren of dagen kan ronddraaien in plaats van maanden. Dit soort systemen wordt in de vakliteratuur ook wel "self-driving lab" genoemd, een zelfrijdend laboratorium, naar analogie met de zelfrijdende auto: net als die auto zijn koers bijstuurt op basis van sensordata, stuurt dit lab zijn eigen onderzoek bij op basis van meetresultaten.
Wat is het precies?
Een gesloten onderzoekscyclus bestaat uit een paar vaste onderdelen die in een lus met elkaar zijn verbonden. Het begint bij een model dat voorspelt welk experiment de meeste nieuwe kennis oplevert. Vaak gebeurt dit met een vorm van kunstmatige intelligentie die "machine learning" heet: software die patronen leert uit eerdere metingen in plaats van dat een programmeur alle regels vooraf intypt. Een veelgebruikte strategie daarbinnen is Bayesiaanse optimalisatie, een wiskundige methode die inschat welke van de vele nog niet geteste mogelijkheden waarschijnlijk het beste resultaat geeft, zodat er niet blind hoeft te worden geprobeerd. Dit heet ook wel "actief leren": het systeem kiest zelf actief welke proef het meest informatief is, in plaats van willekeurig te testen.
Die keuze wordt vervolgens doorgegeven aan robotica: geautomatiseerde armen of vloeistofhandling-robots die precies de juiste hoeveelheden stoffen mengen, verwarmen of laten reageren, zoals een laborant dat met de hand zou doen maar dan met minder kans op menselijke fouten en zonder pauzes. Na de reactie meet apparatuur wat er is ontstaan. Dat gebeurt bijvoorbeeld met röntgendiffractie (afgekort XRD), een techniek waarbij röntgenstraling door een materiaal wordt geschoten om aan het patroon van afbuiging te herkennen welke kristalstructuur is gevormd, of met spectroscopie, waarbij licht wordt gebruikt om de chemische samenstelling van een stof te bepalen.
De meetresultaten gaan terug de computer in, die zijn model bijwerkt: klopte de voorspelling, of niet? Op basis daarvan wordt het volgende experiment gekozen, en de cyclus begint opnieuw. Een mens hoeft in principe alleen nog het doel te bepalen — bijvoorbeeld "vind een materiaal met deze elektrische eigenschap" — en verder toe te kijken, in te grijpen bij problemen, en de resultaten aan het eind te interpreteren.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is snelheid. Het aantal mogelijke combinaties van stoffen, temperaturen en concentraties in bijvoorbeeld materiaalonderzoek is astronomisch groot; geen mens kan dat systematisch met de hand afgaan. Een geautomatiseerde cyclus kan dag en nacht doorwerken, zonder vermoeidheid, en duizenden varianten doorlopen die anders jaren experimenteerwerk zouden kosten.
Daarnaast hoopt men op minder bevooroordeelde en beter reproduceerbare metingen: een robot voert een protocol elke keer identiek uit, terwijl menselijke handelingen van dag tot dag net iets kunnen verschillen. Ook de kosten spelen mee — hoewel de robotinfrastructuur zelf duur is, kan de tijd tot een bruikbare ontdekking sterk worden verkort, wat voor toepassingen als nieuwe batterijmaterialen, katalysatoren voor schone energie of geneesmiddelen relevant is. Tot slot is het doel niet om de wetenschapper te vervangen, maar te verschuiven: mensen formuleren de vraag en interpreteren de betekenis van een vondst, terwijl het herhalende, arbeidsintensieve testwerk aan machines wordt overgelaten.
Voorbeelden uit de praktijk
Een van de bekendste voorbeelden is het A-Lab van het Lawrence Berkeley National Laboratory in de Verenigde Staten. Dit systeem combineert een taalmodel dat duizenden wetenschappelijke publicaties heeft doorzocht met robots die poeders afwegen, mengen en verhitten om nieuwe anorganische materialen te synthetiseren, gevolgd door automatische röntgenanalyse van het resultaat. De onderzoekers publiceerden in 2023 in het tijdschrift Nature dat het systeem in enkele weken tijd een groot deel van een lijst met beoogde nieuwe materialen daadwerkelijk wist te maken.
Aan de Universiteit van Liverpool bouwde de onderzoeksgroep van chemicus Andrew Cooper een "mobile robotic chemist": een op zichzelf rijdende robot die, in plaats van vanachter een vast robotstation, zich door een gewoon, voor mensen ingericht laboratorium bewoog om zelf proeven te doen. In 2020 beschreef het team in Nature hoe deze robot bijna non-stop dagenlang honderden experimenten uitvoerde om een betere fotokatalysator te vinden — een stof die met behulp van licht de productie van waterstof uit water helpt versnellen — en daarbij combinaties ontdekte die beter presteerden dan de uitgangsstoffen.
Bij Carnegie Mellon University ontwikkelde de groep van Gabe Gomes een systeem met de naam Coscientist, dat in 2023 in Nature werd gepresenteerd. Coscientist gebruikt een groot taalmodel, vergelijkbaar met de techniek achter chatbots als GPT-4, om zelf een onderzoeksplan te schrijven, de benodigde robotapparatuur aan te sturen en scheikundige reacties te optimaliseren, waaronder bekende koppelingsreacties uit de organische chemie.
Op instituutsniveau is er het Acceleration Consortium, gevestigd aan de University of Toronto en mede opgezet door scheikundige Alán Aspuru-Guzik, dat met Canadese overheidssteun tientallen onderzoeksgroepen verbindt die aan zelfrijdende laboratoria werken, van materiaalkunde tot scheikunde. Een vergelijkbaar initiatief is de Autonomous Discovery Accelerator aan de University of British Columbia, onder leiding van Curtis Berlinguette, gericht op het versneld ontdekken van nieuwe materialen zoals dunne films voor zonnecellen. Ook bedrijven doen mee: IBM Research bouwde met RoboRXN een cloudplatform waarbij een AI-model een synthesestrategie voor een gewenste molecuul voorstelt, die vervolgens door een robotlab op afstand wordt uitgevoerd.
Hoe ver is de techniek?
Ondanks de aansprekende resultaten staat het veld nog in een vroege fase. De meeste succesvolle voorbeelden liggen in relatief overzichtelijke domeinen zoals anorganische materiaalkunde en bepaalde typen organische chemie, waar de mogelijke uitkomsten goed meetbaar zijn met bestaande apparatuur. Voor complexere gebieden, zoals het ontdekken van nieuwe geneesmiddelen of het bestuderen van levende cellen, staat autonoom onderzoek nog veel vroeger in de ontwikkeling, onder meer omdat biologische systemen minder voorspelbaar zijn en metingen lastiger te automatiseren.
Ook binnen de bestaande toepassingen is niet alles feilloos: niet elk experiment dat een systeem plant, levert het gehoopte resultaat op, en onderzoekers bespreken openlijk hoe representatief en reproduceerbaar de gevonden materialen of reacties werkelijk zijn — sommige claims over ontdekte materialen uit dit soort systemen zijn na publicatie ook kritisch tegen het licht gehouden door andere wetenschappers, wat normaal is in de wetenschappelijke controle op nieuwe resultaten. Verder is de benodigde infrastructuur kostbaar en sterk gespecialiseerd: een robotlab dat goed werkt voor het testen van batterijmaterialen kan niet zomaar geneesmiddelen synthetiseren, wat opschaling en bredere toegankelijkheid bemoeilijkt.
Mensen blijven daarom onmisbaar: voor het opstellen van de juiste onderzoeksvraag, voor veiligheidstoezicht bij het werken met chemicaliën, en voor de uiteindelijke interpretatie van wat een gevonden resultaat betekent buiten het lab. De gesloten cyclus versnelt dus vooral het testen, niet het volledige wetenschappelijke proces.
Wie werken eraan?
In de Verenigde Staten trekken nationale laboratoria als het Lawrence Berkeley National Laboratory, gefinancierd door het Amerikaanse ministerie van Energie, een groot deel van het onderzoek naar autonome materiaalontdekking. Universiteiten spelen een centrale rol, waaronder Carnegie Mellon University en de Universiteit van Liverpool, die beide baanbrekend werk publiceerden in Nature. In Canada vormt het Acceleration Consortium aan de University of Toronto, samen met onderzoekers van de University of British Columbia, een van de grootste georganiseerde netwerken op dit gebied, met steun van de Canadese overheid.
Ook het bedrijfsleven investeert: IBM Research combineert AI-voorspelling met robotsynthese in RoboRXN, en verschillende jonge technologiebedrijven bieden "cloud labs" aan waarbij onderzoekers experimenten op afstand door robots laten uitvoeren. Daarnaast financieren overheidsprogramma's in de Verenigde Staten, Canada en de Europese Unie gericht onderzoek naar deze zelfrijdende laboratoria, vaak met als expliciet doel de energietransitie en materiaalinnovatie te versnellen.