MétaCan
Menu
Retour à la cohorte
Enregistrement W4391691048 · doi:10.26434/chemrxiv-2024-cwnwc

An affordable platform for automated synthesis and electrochemical characterization

2024· preprint· en· W4391691048 sur OpenAlexafffund
Sergio Pablo‐García, A. Garcı́a, Gun Deniz Akkoc, Malcolm Sim, Yang Cao, Maxine Somers, Chance Hattrick, Naruki Yoshikawa, Dominik Dworschak, Han Hao, Alán Aspuru‐Guzik

Notice bibliographique

RevueChemRxiv · 2024
Typepreprint
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensCanadian Institute for Advanced ResearchUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaBundesministerium für Bildung und ForschungMitacsCanadian Institute for Advanced ResearchUniversity of MinnesotaU.S. Department of Energy
Mots-clésCharacterization (materials science)ElectrochemistryComputer scienceChemistryNanotechnologyMaterials scienceElectrodePhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Electrochemical techniques are pivotal for material discovery and renewable energy; however, often the extensive chemical spaces to be explored require high-throughput experimentation (HTE) to ensure timely results, which are costly both for instrument and materials/consumables. While self-driving laboratories (SDL) promise efficient chemical exploration, most contemporary implementations demand significant time, economic investment, and expertise. This study introduces an open and cost-effective autonomous electrochemical setup, comprising a synthesis platform and a custom-designed potentiostat device. We present an SDL platform that offers rapid deployment and extensive control over electrochemical experiments compared to commercial alternatives. Using ChemOS 2.0 for orchestration, we showcase our setup's capabilities through a campaign in which different metal ions reacts with ligands to form coordination compounds., yielding a database of 400 electrochemical measurements. Committed to open science, we provide a potentiostat design, campaign software, and raw data, aiming to democratize customized components in SDLs and ensure transparent data sharing and reproducibility.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,179
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,276
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemRxivMême sujetMachine Learning in Materials ScienceTravaux en français237 207