[ad_1]
Investigadores de Japón han desarrollado una plataforma de gestión de datos de laboratorio que permite el análisis automatizado y el intercambio sin pérdidas de datos de exploración de materiales en forma de gráficos de conocimiento en cuadernos de laboratorio de electrónica.
![](https://www.electronicsforu.com/wp-contents/uploads/2022/09/WASEU_74_4_Infographic_Sep_07_2022-500x281.png)
La comunidad científica proporciona los materiales y los trabajos de investigación que enfatizan principalmente las relaciones estructura-propiedad con poca atención a los protocolos experimentales esenciales. Compartir datos de un lado a otro dentro de la comunidad científica conduce a la pérdida de datos. Para resolver estos problemas, un equipo de investigación dirigido por el profesor asistente Kan Hatakeyama-Sato y el profesor Kenichi Oyaizu de la Universidad de Waseda en Japón ha desarrollado una plataforma de gestión de datos de laboratorio sin pérdidas que detalla las relaciones entre propiedades, estructuras y procesos experimentales en cuadernos electrónicos de laboratorio.
Hatakeyama-Sato, profesor asistente de la Universidad de Waseda en Japón, señala: «Esta plataforma se aplica actualmente a las baterías de estado sólido y contribuirá al desarrollo de baterías más seguras y de alta capacidad con un rendimiento mejorado».
El cuaderno de laboratorio electrónico contiene todos los eventos experimentales y los parámetros ambientales asociados, que se presentan como gráficos de conocimiento. El equipo implementó un algoritmo basado en IA que podía convertir automáticamente estos gráficos de conocimiento en hojas de cálculo y cargarlos en un repositorio público. Este proceso aseguró que el intercambio de datos no tuviera pérdidas, brindando a la comunidad científica una mejor comprensión de las condiciones experimentales.
Experimentaron con su plataforma para estudiar la conductividad superiónica en electrolitos orgánicos de iones de litio (Li+). En el cuaderno de laboratorio electrónico, anotaron datos sin procesar todos los días, incluidos los exitosos y no exitosos de más de 500 experimentos. A continuación, el motor de conversión de datos convirtió automáticamente los datos de Knowledge Graph en conjuntos de datos de aprendizaje automático y analizó la relación entre las operaciones experimentales y los resultados. Este análisis reveló los parámetros importantes necesarios para lograr una excelente conductividad iónica de 10−4–10−3 S/cm y un número de transferencia de Li+ de hasta 0,8 a temperatura ambiente
Con respecto a las implicaciones a largo plazo, Hatakeyama-Sato agrega además: “Al compartir datos experimentales sin procesar entre investigadores de todo el mundo, se podrían descubrir nuevos materiales funcionales más rápido. Este enfoque también puede acelerar el desarrollo de dispositivos relacionados con la energía, incluidas las baterías y las células solares de próxima generación”.
Haga clic aquí para ver el trabajo de investigación publicado
[ad_2]