Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

Automating the search through the chemical space of an estimated 10^20 to 10^60 drug-like molecules for a subset that have desired characteristics and features will be a major enabler for materials and drug discovery, chemical synthesis and medicine-by-design. However, research into fully autonomous chemistry labs that close the loop of i) optimal experiment design, ii) experiment execution (synthesis), and iii) observation and evaluation (characterization), are still in their infancy. A major challenge is that while today's robots have made significant strides in manipulating rigid objects, they lack the perceptual and dexterous capabilities needed to work directly with fluids and powders, which are omnipresent in chemistry labs. This is a critical research area as, in general, perceiving and manipulating fluids, powders and non-rigid materials is recognized as a longstanding challenge in the robotics community. Within the context of automated chemistry in human-centric labs, the main technical difficulties are the perception transparent and non-rigid materials, along with the lack of fast and accurate physical simulators for liquids, powders, and granular media. Existing physical simulators, for example, are either real-time or accurate, but not both, which makes planning and controlling the robots via visual feedback challenging and error prone. In this research, the project aims to develop machine learning methods to address the perceptions, modeling and simulation challenges associated with transparency, powders, liquids, and granular materials. The project seeks to then utilize these methods to develop learning-based control and perception methods that will enable general-purpose robot arms to manipulate non-rigid martials that commonly appear in chemistry labs. The experimental results will demonstrate fundamental chemistry operations such as pouring with different glassware and material types. The experiments will be carried out within Acceleration Consortium, University of Toronto, and NRC labs, showing reproducibility outside of a single lab. The research will complement the NRC PI’s existing AI4D projects on robotic chemists, which are focused on the transfer of lab items, but not pouring and material dynamics

L’automatisation de la recherche dans l’espace chimique de molécules apparentées à des médicaments, qui sont estimées à 10^20 à 10^60, dans le but de trouver un sous-ensemble avec les caractéristiques et les attributs souhaités constituerait une avancée majeure pour la découverte de matériaux et de médicaments, la synthèse chimique et la médecine sur mesure. La recherche en est toutefois encore à ses débuts en ce qui concerne la création de laboratoires de chimie entièrement autonomes qui corrigeront les lacunes associées à : i) la conception d’expériences optimales; ii) l’exécution des expériences (synthèse); iii) l’observation et l’évaluation (caractérisation). L’un des principaux défis est que, même si les robots modernes ont grandement progressé en ce qui a trait à la manipulation d’objets rigides, leurs capacités perspectives et leur dextérité sont insuffisantes pour manipuler directement des fluides et des poudres, qui sont omniprésents dans les laboratoires de chimie. Il s’agit d’un domaine de recherche critique, car en général, la perception et la manipulation de fluides, de poudres et de matériaux non rigides représentent des défis de longue date au sein de la collectivité de la robotique. Dans le contexte de la chimie automatisée dans des laboratoires centrés sur les humains, les principales difficultés techniques sont liées aux matériaux transparents et non rigides, de même qu’à l’absence de simulateurs physiques rapides et précis pour les liquides, les poudres et les matériaux granulaires. Par exemple, les simulateurs physiques existants fournissent des résultats soit en temps réel, soit précis, mais pas les deux, ce qui complexifie la planification et le contrôle des robots au moyen de rétroactions visuelles et peut facilement entraîner des erreurs. Ce projet de recherche vise à développer des méthodes d’apprentissage automatique pour surmonter les défis de perception, de modélisation et de simulation associés à la transparence, aux poudres, aux liquides et aux matériaux granulaires. Lesdites méthodes seront ensuite utilisées pour développer des méthodes de contrôle et de perception fondées sur les apprentissages qui permettront à des bras robotisés d’usage général de manipuler les matériaux non rigides couramment trouvés dans les laboratoires de chimie. Les résultats des expériences feront la démonstration de procédés chimiques fondamentaux tels que le transvasement au moyen de divers contenants de verre et types de matériaux. Les expériences seront effectuées dans les laboratoires du Consortium Accélération, Université de Toronto, et du CNRC afin de démontrer la reproductibilité à l’extérieur d’un seul laboratoire. La recherche viendra compléter les projets du PI du CNRC dans le cadre du programme « L’IA au service de la conception » sur les chimistes robotisés, qui sont axés sur le transfert d’objets de laboratoire, mais pas sur la dynamique du transvasement et des matériaux.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.