Chi è il miglior sperimentatore, un essere umano o un robot? Quando si tratta di esplorare condizioni sintetiche e di cristallizzazione per molecole inorganiche gigantesche, le macchine ad apprendimento attivo sono chiaramente avanti, come dimostrato da British Scientists in un esperimento con poliossometallati pubblicato sulla rivista Angewandte Chemie .

I poliossometallati si formano attraverso l'autoassemblaggio di un gran numero di atomi di metallo collegati da atomi di ossigeno. I potenziali usi includono la catalisi, elettronica, e medicina. Approfondimenti sui processi di auto-organizzazione potrebbero essere utili anche nello sviluppo di sistemi chimici funzionali come le "macchine molecolari".

I poliossometallati offrono una varietà quasi illimitata di strutture. Però, non è facile trovarne di nuovi, perché l'aggregazione di molecole inorganiche complesse a molecole gigantesche è un processo difficile da prevedere. È necessario trovare le condizioni in cui i mattoni si aggregano e poi anche cristallizzano, in modo che possano essere caratterizzati.

Un team guidato da Leroy Cronin dell'Università di Glasgow (Regno Unito) ha ora sviluppato un nuovo approccio per definire la gamma di condizioni adatte per la sintesi e la cristallizzazione dei poliossometallati. Si basa sui recenti progressi nell'apprendimento automatico, noto come apprendimento attivo. Hanno permesso alla loro macchina addestrata di competere con l'intuizione di sperimentatori esperti. L'esempio di prova era Na(6)[Mo(120)Ce(6)O(366)H(12)(H(2)O)(78)]·200 H(2)O, una nuova, cluster di poliossometallato a forma di anello che è stato recentemente scoperto dal robot chimico automatizzato dei ricercatori.

Nell'esperimento, le quantità relative delle tre soluzioni reattive necessarie dovevano essere variate mentre il protocollo era diversamente prescritto. Il punto di partenza era un insieme di dati provenienti da esperimenti di cristallizzazione riusciti e falliti. L'obiettivo era pianificare dieci esperimenti e quindi utilizzare i risultati di questi per procedere alla serie successiva di dieci esperimenti, per un totale di cento tentativi di cristallizzazione.

Sebbene gli sperimentatori in carne e ossa fossero in grado di produrre cristallizzazioni più riuscite, l'algoritmo della macchina molto più "avventuroso" era a conti fatti superiore perché copriva un dominio significativamente più ampio dello "spazio di cristallizzazione". La qualità della previsione se un esperimento avrebbe portato alla cristallizzazione è stata migliorata in modo significativamente maggiore dalla macchina rispetto agli sperimentatori umani. Una serie di 100 esperimenti puramente casuali non ha prodotto alcun miglioramento. Inoltre, la macchina ha scoperto una serie di condizioni che hanno portato a cristalli che non ci si sarebbe aspettati sulla base della pura intuizione. Questo metodo automatizzato "imparziale" rende più probabile la scoperta di nuovi composti rispetto alla dipendenza dall'intuizione umana. I ricercatori sono ora alla ricerca di modi per creare "squadre" particolarmente efficienti di uomo e macchina.