Cyfryzacja laboratorium z AI i ELN

Automatyzacja i sztuczna inteligencja w laboratorium fizycznym: od chaosu danych do zaawansowanej analizy

W 2019 roku w jednym z koreańskich laboratoriów utrata jednego dnia eksperymentów — spowodowana niekompletnymi notatkami w zeszytach i rozproszonymi plikami logów — doprowadziła do odrzucenia próbek Mo/B. Ciśnienie w komorze okazało się półtora raza wyższe niż norma z powodu nieszczelności, ale odkryto to dopiero po czasochłonnym przeszukiwaniu danych. W 2026 roku w innym laboratorium wpisanie w terminalu polecenia „Przeanalizuj dane z folderu W/B4C i porównaj je z wynikami symulacji XRR” dało kompleksowy raport w 30 sekund: system AI wydobył parametry napylania, przetworzył 32-kanalowe logi, dane pomiarowe XRR i wykazał, że zasilacz G3F C dostarcza o 6% więcej mocy, co prowadzi do pogrubienia warstw interfejsowych WC przy metodzie DCC.

Sześć lat cyfryzacji przekształciło chaos danych w spójny, skalowalny system dla specjalistów średniego i starszego szczebla z zakresu nauki o materiałach i nanotechnologii.

Chaos w zarządzaniu danymi w laboratoriach

Laboratoria fizyczne generują terabajty danych: rentgenogramy, mikrografie SEM, logi urządzeń, wyniki pomiarów XRR, AFM czy nanoindentyfikacji. Typowe problemy to:

• Minimaliści zapisują w zeszytach tylko „Mo/B 300 W hor." — bez podania ciśnienia, przepływu gazu ani typu podłoża.
• Archiwistowie tworzą głęboko zagnieżdżone struktury folderów, np. 2022/Marzec/Tydzień2/Mo-B/attempt3_final_FINAL2/, niedostępne dla osób spoza zespołu.
• Mistrzowie Excela prowadzą skomplikowane pliki z 47 arkuszami, zawierające odwołania do źródeł zdalnych, które już nie działają lub nie otwierają się.

Kluczowy problem to brak powiązania między procesem a jego rezultatem. Aby skorelować parametry napylania Mo/B z współczynnikiem odbicia, trzeba ręcznie przetwarzać dziesiątki plików — często z utraconymi logami i nieopisanymi rentgenogramami. Kontynuacja badań jest zagrożona: doświadczenie doktoranta znika razem z nim, a następny badacz powtarza te same błędy.

Automatyzacja procesów napylania

Cyfryzacja rozpoczęła się w 2020 roku od oprogramowania do magnetronowej instalacji obrotowej (4 magnetrony 150 mm przeznaczone do optyki EUV/BEUV). Skryptowy język opisuje obrót karuzeli, sterowanie zasilaczami, przesłonami oraz jonowym trawieniem. Cały proces trwający 3–5 godzin został zautomatyzowany.

Kluczem jest 32-kanalowy log: co sekundę rejestrowane są ciśnienie, napięcie, prąd, moc magnetronów, przepływ gazu oraz pozycja karuzeli. Jeden log to 1,5 MB sformatowanego tekstu. Architektura systemu obejmuje aplikację w Delphi, komunikację RS-485 z kontrolerami silników krokowych i zasilaczami oraz lokalną sieć wewnątrz instalacji.

Logi umożliwiają diagnostykę awarii: nagłe skoki ciśnienia, niestabilna moc czy zapomniane chłodzenie — wykrywane na podstawie wzrostu temperatury. To rozwiązało problemy z napylaniem, ale dane z XRD i SEM nadal pozostawały rozproszone.

Elektroniczny dziennik laboratoryjny (ELN)

ELN integruje cały cykl pracy — od napylania po pomiary. Każdy próbkę traktuje jako jednostkę rejestracyjną z pełną historią działań i załączonych plików.

Hierarchia struktury

• Projekt: temat, np. „BEUV Mo/B”, „DLC”, „Optyka rentgenowska”.
• Folder: grupowanie według serii prób.
• Próbka: Mo/B(220719A), typ podłoża, kluczowy rezultat.
• Działanie: Napylanie, Odpalanie, XRD (Empyrean), SEM, TEM, AFM, Nanoindentacja (UNHT-3), Test tribologiczny. Powiązane z konkretnym sprzętem.
• Pliki: .xrdml, .log, .xrcx, .tiff, .pdf.

Do każdego działania przypisane są Wartości kluczowe: okres wielowarstwy, grubość, twardość, współczynnik tarcia, chropowatość. Pozwalają one na zapytania typu „próbki z okresem Mo/B <7 nm” lub analizę korelacji twardości DLC w zależności od napięcia polaryzacji.

Technologie: klient w Delphi, baza SQL dla metadanych, WebDAV do przechowywania plików. Wbudowane pluginy do przeglądania .xrdml i .xrcx — bez konieczności używania zewnętrznego oprogramowania.

Pierwsza rejestracja: Mo(210121-A), styczeń 2021. Do 2026 roku: 19 projektów, ok. 1000 próbek, tysiące plików.

ELN3 jest bardziej elastyczny niż ELN2: umożliwia konfigurowanie typów działań, sprzętu i formatów plików.

Integracja sztucznej inteligencji w analizie danych

Po wypełnieniu ELN (rutynowa codzienna praca: rejestracja próbek i wgrywanie plików) dane są gotowe do analizy przez AI. System przetwarza cztery formaty plików (receptury, logi, dane XRR, wyniki eksperymentów), koreluje parametry i generuje raporty PDF.

Przykład: analiza W/B4C wykazała systematyczne odchylenia mocy zasilacza. Zadanie, które zajmowałoby człowiekowi 1–2 dni, AI wykonuje w kilka minut.

Na co warto zwrócić uwagę:

• Strukturalne logi i ELN zapewniają ciągłość wiedzy w zespole.
• Key Values umożliwiają analizę korelacyjną bez „archeologii danych".
• Sztuczna inteligencja przyspiesza diagnozę: od chaosu z 2019 roku do pełnej automatyzacji w 2026.
• Elastyczność ELN3 ułatwia jego wdrożenie w innych laboratoriach.
• Codzienna dyscyplina w wprowadzaniu danych to fundament całego systemu.

— Editorial Team