福利姬

Artificiell intelligens förändrar snabbt hur vetenskaplig forskning kan bedrivas och öppnar nya möjligheter för materialutveckling. Ett centralt mål för gruppen är att utveckla AI-metoder som kan göra materialforskning mer effektiv, systematisk och i ökande grad autonom.

Forskningen omfattar flera kompletterande riktningar. Ett viktigt område är användningen av generativ AI för att automatiskt extrahera strukturerad kunskap ur vetenskaplig litteratur och använda denna kunskap för att formulera nya forskningshypoteser.

En annan inriktning är så kallad invers materialdesign, där generativa modeller används för att förutsäga nya material med önskade egenskaper. För att sådana modeller ska bli användbara krävs att fysikaliska samband och domänkunskap integreras i AI-systemen.

Den långsiktiga visionen är att utveckla agentiska AI-system som kan koppla samman kunskapsextraktion, hypotesgenerering, experimentplanering och dataanalys i ett gemensamt autonomt arbetsflöde. En viktig utmaning är att systemen måste vara vetenskapligt förankrade, kunna generera experimentellt verifierbara resultat och samtidigt vara möjliga att förstå och tolka.

Det övergripande målet är att bidra till ett nytt sätt att bedriva materialforskning, där AI inte bara används som ett verktyg för att analysera data, utan aktivt deltar i genereringen och valideringen av ny vetenskaplig kunskap.

 

En central del av forskningsmiljön är ett robotsystem för automatiserad syntes och karakterisering av tunnfilmer. Systemet arbetar i en glovebox med inert atmosfär och används främst för utveckling av perovskitsolceller.

Genom att automatisera moment som lösningsberedning, materialdeposition och optoelektronisk karakterisering kan systemet snabbt och systematiskt utforska komplexa materialsystem som är svåra att utforska manuellt. Det ger bättre reproducerbarhet och stora mängder strukturerad forskningsdata av hög kvalitet.

Plattformen är utformad för att arbeta i en aktiv återkopplingsloop där nya experiment väljs baserat på tidigare resultat. Detta görs med hjälp av aktiva inlärningsstrategier, exempelvis Bayesiansk optimering, som hjälper systemet att effektivt navigera i stora och komplexa parameterutrymmen.

Automation gör det möjligt att utföra fler experiment, medan AI-baserad optimering minskar antalet experiment som faktiskt behövs för att nå ett mål. Det är en kraftfull kombination.

Utöver att öka experimenthastigheten förändrar automation också forskarens roll – från att huvudsakligen utföra manuella experiment till att i större utsträckning fokusera på experimentdesign, analys och tolkning. Detta är en viktig del i utvecklingen mot framtidens självkörande laboratorier.

Data inom materialvetenskap rapporteras ofta i ostrukturerade och varierande format, vilket gör det svårt att jämföra resultat, reproducera experiment och återanvända data mellan olika studier. Detta utgör en stor utmaning både för traditionell forskning och för AI-baserade arbetssätt.

Ett viktigt fokus för gruppen är därför utvecklingen av standarder, verktyg och arbetsflöden för FAIR forskningsdata – där FAIR står för Findable, Accessible, Interoperable och Reusable. Arbetet handlar bland annat om att utveckla strukturerade och maskinläsbara sätt att beskriva perovskitmaterial och perovskitsolceller.

Ett centralt projekt inom detta område är ”The Perovskite Database Project”, där gruppen har bidragit till utvecklingen av datascheman, databaser och arbetsflöden för att förbättra kvaliteten och användbarheten hos perovskitdata.

Sådana strukturerade data är avgörande för reproducerbar forskning och utgör en viktig grund för maskininlärning, automatiserade experiment och framtida autonoma forskningssystem.

Perovskitsolceller är forskargruppens huvudsakliga experimentella tillämpningsområde och det område där merparten av tidigare forskning har bedrivits. Utöver sitt stora teknologiska intresse är perovskiter också mycket intressanta ur ett grundvetenskapligt perspektiv, tack vare deras justerbara materialegenskaper, lösningsprocessbarhet och höga prestanda.

Det senaste arbetet har bland annat fokuserat på att förbättra reproducerbarheten inom perovskitforskning genom FAIR-datastandarder, samt på additivteknik och ytpassivering för att förbättra materialens stabilitet och prestanda. Samtidigt fungerar perovskitsystem som en testbädd för nya metoder inom AI-driven hypotesgenerering och datadriven materialdesign.

Framöver kommer perovskiter att spela en central roll i gruppens arbete med att integrera AI och automatiserade experiment. Kombinationen av stora parameterutrymmen, tydliga prestandamått och kompatibilitet med accelererat experimenterande gör systemen särskilt lämpade för att utveckla framtidens autonoma forskningsplattformar.