Closed-Loop: Vision-Guided Experimental Control in Self-Driving Labs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In experimental chemistry, actions are adjusted based on what we see—such as dosing until dissolution, heating until melting, or stirring until mixing is complete. However, current self-driving labs (SDLs) do not monitor these visual cues. HeinSight 4.0 fills this gap by integrating computer vision into SDLs to enable real-time experimental adjustments based on visual feedback. The computer vision system detects equipment (e.g., reactor, vial), classifies chemical phases (solid, liquid, air), and analyzes image features such as turbidity and color. By tracking these physical characteristics frame by frame, HeinSight 4.0 infers physical states (e.g., dissolution, separation). This data feeds into a rule-based system that integrates with the SDL to make real-time experimental adjustments (e.g., stir, heat). We demonstrate HeinSight 4.0 adaptability for iterative refinement of two pharmaceutical case studies: purification (solubility screening) and drug formulation (melt spray congeal). To support broader adoption, we integrated HeinSight 4.0 into a hardware-agnostic SDL architecture and deployed it across two institutions with distinct robotic systems. As an open-source tool, HeinSight 4.0 enables SDLs to see, think, and act in real time.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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