Một nhóm nghiên cứu do Phòng thí nghiệm Quốc gia Lawrence Berkeley (Berkeley Lab) thuộc Bộ Năng lượng dẫn đầu đã chế tạo và trình diễn thành công một nền tảng thí nghiệm tự động để tối ưu hóa việc chế tạo các vật liệu tiên tiến. Nền tảng này, được gọi là AutoBot, sử dụng các thuật toán máy học để điều khiển các thiết bị robot tổng hợp và đặc trưng hóa vật liệu một cách nhanh chóng. Các thuật toán tự động tinh chỉnh các thí nghiệm dựa trên việc phân tích kết quả đặc trưng.

Các nhà nghiên cứu đã thử nghiệm nền tảng này trên một loại vật liệu mới nổi gọi là perovskite kim loại halide, loại vật liệu đầy hứa hẹn cho các ứng dụng như điốt phát quang (LED), laser và bộ tách sóng quang. AutoBot chỉ mất vài tuần để khám phá vô số sự kết hợp của các thông số chế tạo để có thể tìm ra sự kết hợp tạo ra vật liệu chất lượng cao nhất.

Với sự hỗ trợ của các thuật toán máy học có tốc độ học cực nhanh, AutoBot chỉ cần thử nghiệm 1% trong số 5.000 sự kết hợp để tìm ra "tiêu chuẩn vàng" này. Quá trình này sẽ mất tới một năm với phương pháp thử và sai truyền thống (traditional trial-and-error approach), nơi các nhà nghiên cứu tự tay thử nghiệm từng bộ thông số một, dựa trên kinh nghiệm và trực giác trước đây.

Carolin Sutter-Fella, một nhà khoa học tại Berkeley Lab và là một trong những tác giả chính của nghiên cứu cho biết: "AutoBot đại diện cho một sự thay đổi mô hình trong việc khám phá và tối ưu hóa vật liệu. Bằng cách tích hợp các khả năng tổng hợp, đặc trưng hóa, robot và máy học trên một nền tảng duy nhất, AutoBot tăng tốc đáng kể quá trình sàng lọc các công thức tổng hợp. Cách tiếp cận học hỏi nhanh chóng của nó là một bước tiến quan trọng hướng tới việc thiết lập các phòng thí nghiệm tối ưu hóa tự động và có thể được mở rộng sang nhiều loại vật liệu và thiết bị khác nhau".

Các nhà khoa học tại Molecular Foundry - một cơ sở người dùng của Văn phòng Khoa học thuộc Bộ Năng lượng đặt tại Berkeley Lab - đã đưa ra ý tưởng cho AutoBot, mở rộng dựa trên một nền tảng robot thương mại và triển khai các giải pháp xử lý dữ liệu, phân tích và cơ sở hạ tầng máy học.

Nhóm đa ngành này bao gồm các nhà nghiên cứu từ Đại học Washington, Đại học Nevada, Đại học California–Davis, Đại học California–Berkeley và Đại học Friedrich-Alexander–Universität Erlangen–Nürnberg.

Công trình này đã được các nhà khoa học công bố trên tạp chí Advanced Energy Materials.

P.T.T (NASTIS), theo https://techxplore.com/news/, 2025