Kennisbank

Zelfsturend laboratorium: als robots en AI zelf experimenten bedenken

Bijgewerkt: 18 augustus 2026 · 6 min leestijd

Stel je een scheikundig laboratorium voor waar 's nachts niemand het licht hoeft aan te doen, omdat er ook niemand is. Robotarmen pipetteren vloeistoffen, mengen poeders en zetten reacties op. Een computer kijkt naar de uitkomst, trekt conclusies en bedenkt binnen enkele minuten het volgende experiment — zonder dat een mens instructies hoeft te geven. Dat is in het kort een zelfsturend laboratorium (in het Engels: self-driving lab, ook wel autonomous lab): een combinatie van robotica, sensoren en kunstmatige intelligentie (AI) die zelfstandig een lus doorloopt van experiment plannen, uitvoeren, meten en leren.

De vergelijking met een zelfrijdende auto is met opzet gekozen. Waar een zelfrijdende auto zelf beslist hoe hard te rijden en wanneer af te remmen op basis van camerabeelden, beslist een zelfsturend lab zelf welk mengsel het volgende gaat maken op basis van eerdere meetresultaten. In plaats van dat een scheikundige elke ochtend een nieuwe reeks proefjes klaarzet, formuleert een algoritme een hypothese, laat een robot die uitvoeren, analyseert de uitkomst en herhaalt dat proces honderden of duizenden keren — sneller en consequenter dan een mens dat volhoudt.

Wat is het precies?

Een zelfsturend laboratorium bestaat doorgaans uit vier onderdelen die samen een gesloten lus (closed loop) vormen.

Ten eerste is er een planningsalgoritme, meestal gebaseerd op machine learning. Dit onderdeel kiest welk experiment het meest interessant is om als volgende te doen. Vaak gebeurt dat met een techniek die Bayesiaanse optimalisatie heet: het model schat in welke combinatie van ingrediënten (bijvoorbeeld de verhouding van twee metalen in een legering) de grootste kans heeft om een verbetering op te leveren, en kiest daarbij bewust af en toe ook een onzekere, onbekende optie uit — net zoals een goede onderzoeker soms een gok waagt buiten het voor de hand liggende pad.

Ten tweede voert robotica het experiment daadwerkelijk uit: robotarmen, vloeistofpipetteersystemen of doorstroomreactoren (buizen waar chemicaliën doorheen stromen en reageren) mengen de juiste stoffen in de juiste hoeveelheden.

Ten derde meten sensoren en analyseapparatuur het resultaat, bijvoorbeeld met röntgendiffractie (waarmee je de kristalstructuur van een materiaal bepaalt) of spectroscopie (waarmee je de chemische samenstelling meet).

Ten vierde voedt die meting het model weer, dat zijn voorspelling bijstelt en de volgende stap kiest. Deze cyclus — plannen, uitvoeren, meten, leren — kan volledig autonoom dagen of weken achtereen doorlopen, ook 's nachts en in het weekend.

Belangrijk is dat “autonoom” hier meestal betekent: autonoom binnen een nauw afgebakend zoekgebied dat mensen vooraf hebben ingesteld, zoals “vind de beste katalysator uit deze honderd mogelijke bouwstenen”. Het systeem verzint dus niet zelf compleet nieuwe onderzoeksvragen; het is razendsnel en systematisch in het afzoeken van een ruimte die onderzoekers hebben gedefinieerd.

Wat wil men ermee bereiken?

De belangrijkste drijfveer is snelheid. Het ontdekken van nieuwe materialen — een batterij die sneller oplaadt, een katalysator die schoner werkt, een zonnecelmateriaal dat efficiënter is — kost traditioneel jaren aan handmatig proberen. Onderzoekers moeten steeds opnieuw stoffen afwegen, mengen, verhitten en meten, wat traag en foutgevoelig is. Een zelfsturend lab kan honderden combinaties per dag testen in plaats van een handvol per week.

Een tweede doel is reproduceerbaarheid. Chemische experimenten zijn notoir gevoelig voor kleine verschillen in uitvoering — net iets andere temperatuur, roersnelheid of wachttijd kan een ander resultaat geven. Een robot voert een protocol elke keer identiek uit, wat vergelijkingen tussen experimenten betrouwbaarder maakt.

Een derde motivatie is het combineren van AI-voorspellingen met echte metingen. Computers kunnen inmiddels miljoenen hypothetische materialen doorrekenen, maar die berekeningen zijn benaderingen. Een zelfsturend lab kan die voorspellingen razendsnel in de praktijk toetsen en zo het kaf van het koren scheiden.

Tot slot spelen praktische en veiligheidsoverwegingen mee: sommige reacties zijn giftig, ontvlambaar of vereisen herhaling die voor mensen saai en foutgevoelig is. Automatisering kan dat werk overnemen.

Voorbeelden uit de praktijk

A-Lab (Lawrence Berkeley National Laboratory, Verenigde Staten), onder leiding van materiaalwetenschapper Gerbrand Ceder, is een van de bekendste voorbeelden. Dit lab combineert robotarmen, oventjes en röntgenanalyse met een AI-model dat literatuur en berekeningen doorzoekt om synthesestappen te bedenken voor nieuwe anorganische materialen (vaste stoffen zoals oxiden). In een veelbesproken publicatie in Nature (2023) liet het team het systeem gedurende ruim twee weken vrijwel ononderbroken draaien, waarbij het een groot deel van een lijst beoogde nieuwe verbindingen daadwerkelijk wist te maken.

De mobiele robotchemicus van de Universiteit van Liverpool (groep van Andrew Cooper), gepubliceerd in Nature in 2020, was een op wielen rijdende robot die zelfstandig door een laboratorium bewoog en honderden experimenten deed om fotokatalysatoren te vinden — materialen die met behulp van licht waterstofgas uit water kunnen vrijmaken. De robot werkte dag en nacht door en vond binnen een week een veelbelovende combinatie die door mensen in dezelfde tijd waarschijnlijk niet was gevonden.

Coscientist, ontwikkeld aan Carnegie Mellon University (groep van Gabe Gomes) en beschreven in Nature (2023), verkende een andere invalshoek: een taalmodel (vergelijkbaar met de technologie achter ChatGPT) kreeg de opdracht om zelf labapparatuur aan te sturen, protocollen te schrijven en scheikundige reacties te plannen en te optimaliseren. Het experiment liet zien dat taalmodellen praktische labtaken kunnen coördineren, maar riep ook discussie op over veiligheid, omdat zulke systemen in theorie ook voor schadelijke doeleinden ingezet zouden kunnen worden.

Aan North Carolina State University bouwde de groep van Milad Abolhasani zelfsturende doorstroomsystemen om snel nanomaterialen te optimaliseren die gebruikt worden in zonnecellen en lichtgevende toepassingen, waarbij duizenden mengverhoudingen automatisch worden getest.

Ook grote technologiebedrijven zijn betrokken: IBM ontwikkelde met RoboRXN een cloudgebaseerd systeem waarbij onderzoekers op afstand een gewenste molecuulstructuur kunnen opgeven, waarna AI een synthesetraject voorstelt dat door een robot in een IBM-lab wordt uitgevoerd.

Hoe ver is de techniek?

Zelfsturende laboratoria zijn een actief onderzoeksveld dat sinds ongeveer 2018-2020 in een stroomversnelling is geraakt, mede dankzij goedkopere robotica en betere AI-modellen. De techniek werkt aantoonbaar: verschillende publicaties in gerenommeerde tijdschriften laten zien dat autonome systemen sneller en soms effectiever zoeken dan traditionele proef-en-dwaal-methodes binnen een afgebakende taak.

Tegelijk zijn de huidige systemen nog beperkt tot smalle domeinen. Een lab dat is ingericht voor het testen van katalysatoren kan niet zomaar batterijmaterialen onderzoeken; elke toepassing vereist eigen robotica, sensoren en trainingsdata. Er bestaat nog geen “algemeen” zelfsturend lab dat willekeurige scheikundige vragen aankan.

Belangrijke obstakels zijn de kosten van gespecialiseerde robotica en analyseapparatuur, de moeite die het kost om een robot betrouwbaar met vaste stoffen, kleverige pasta's of lastige glaswerkvormen te laten omgaan (vloeistoffen zijn veel makkelijker te automatiseren dan poeders), en het gebrek aan grote, betrouwbare datasets om AI-modellen op te trainen — veel chemische data uit oudere publicaties zijn onvolledig of niet goed te reproduceren. Ook is menselijk toezicht bij gevaarlijke of onvoorspelbare reacties vooralsnog noodzakelijk.

Onderzoekers zijn het erover eens dat de technologie de komende jaren verder zal opschalen naar meer materiaalklassen en meer geautomatiseerde metingen, maar een volledig autonoom lab dat zonder enige menselijke sturing baanbrekende nieuwe wetenschap bedrijft, is vooralsnog toekomstmuziek.

Wie werken eraan?

In de Verenigde Staten is het Lawrence Berkeley National Laboratory met het A-Lab-project een voorloper, net als onderzoeksgroepen aan onder meer Carnegie Mellon University en North Carolina State University. Ook techbedrijven als Google DeepMind (dat met het model GNoME miljoenen mogelijke nieuwe kristalstructuren computationeel voorspelde, waarvan een deel vervolgens experimenteel is getoetst) en IBM Research investeren in deze richting.

In Canada coördineert het Acceleration Consortium aan de University of Toronto, opgericht door onder meer scheikundige Alán Aspuru-Guzik, een breed internationaal netwerk van onderzoeksgroepen die aan zelfsturende laboratoria werken, met substantiële overheidsfinanciering.

In het Verenigd Koninkrijk is de Universiteit van Liverpool met de groep van Andrew Cooper toonaangevend, en werkt de groep van Leroy Cronin aan de Universiteit van Glasgow aan programmeerbare chemie-robotica onder de naam Chemify. Ook in de Europese Unie lopen er onderzoeksprojecten en investeringen op dit gebied, vaak in samenwerking met nationale onderzoeksinstituten en universiteiten, en China bouwt eveneens aan eigen autonome laboratoria als onderdeel van zijn materiaalwetenschappelijke onderzoeksprogramma's.

Het veld is nadrukkelijk internationaal en multidisciplinair: het brengt scheikundigen, materiaalwetenschappers, robotici en AI-onderzoekers samen, vaak in publiek-private samenwerkingen tussen universiteiten, nationale laboratoria en bedrijven.

Verder lezen