Binnen de groeiende schaarste aan duurzame biogrondstoffen is de grootste uitdaging niet alleen het vinden van voldoende volume, maar ook het beheersen van de complexe variabiliteit. Het internationale consortium Project OPAL presenteerde baanbrekende resultaten waarbij AI-modellen en robotica de regie overnemen in het laboratorium. Hiermee wordt de schaarse biogrondstof maximaal benut en komt de grootschalige productie van groene chemicaliën en brandstoffen in een stroomversnelling.
In de petrochemische industrie is stabiliteit de norm: een raffinaderij is afgesteld op een constante stroom ruwe olie met een bekende samenstelling. Biogrondstoffen, variërend van agrarische reststromen tot houtachtige biomassa, zijn echter grillig. De chemische samenstelling verschilt per oogst, regio en seizoen. Tot nu toe betekende dit dat chemische reactoren voortdurend handmatig moesten worden bijgestuurd, wat leidde tot aanzienlijk rendementsverlies en hoge kosten.
De Genesis-missie: AI die biologie begrijpt
Het project OPAL (Orchestrated Platform for Autonomous Laboratories) is onderdeel van een prestigieus nieuw initiatief van het Amerikaanse ministerie van Energie: de Genesis-missie. Centraal hierin staat het ModCon-consortium, dat zich richt op het bouwen van ‘foundational AI-models’ voor de biologie.
Waar bekende AI-systemen zoals ChatGPT getraind zijn op tekst, worden de modellen van OPAL getraind op enorme, complexe datasets van genomen, eiwitten en metabole functies. Volgens projectleider Paramvir Dehal van het Berkeley Lab was dit voorheen de grootste bottleneck: biologische data zijn vaak rommelig en verschillend georganiseerd. OPAL gebruikt nu supercomputers om de grootste en meest precieze biologische datasets ooit te creëren, waardoor de AI de “taal” van micro-organismen leert begrijpen.
Autonome laboratoria in de praktijk
Het systeem van OPAL werkt als een ‘closed-loop’, waarbij menselijke tussenkomst tot een minimum wordt beperkt:
- Directe analyse: De AI analyseert de chemische vingerafdruk van een binnenkomende batch reststromen.
- Voorspelling en ontwerp: Het model voorspelt welk micro-organisme het meest geschikt is voor deze specifieke batch en ontwerpt indien nodig genetische aanpassingen om de opbrengst te verhogen.
- Robotische uitvoering: Autonome systemen in het laboratorium voeren de experimenten fysiek uit en koppelen de resultaten direct terug naar de AI om het proces te verfijnen.
Van straaljagerbrandstof tot kritieke mineralen
De impact van deze technologie reikt verder dan alleen de basischemie. Paul Adams, Associate Laboratory Director bij Berkeley Lab, benadrukt dat deze AI-gedreven aanpak cruciaal is voor de productie van hoogwaardige bio-brandstoffen voor de luchtvaart (jet fuel precursors) en zelfs voor de biologische terugwinning van kritieke mineralen.
Door de tijd tussen onderzoek en commerciële toepassing met naar schatting 40% te verkorten, biedt OPAL een oplossing voor de schaarste aan biogrondstoffen. Het stelt de industrie in staat om ook ‘laagwaardige’ stromen die voorheen ongeschikt waren, nu met maximale efficiëntie om te zetten in waardevolle producten.
Bron: Berkeley Lab News Center: “Foundational AI Models to Accelerate Biological Discovery”
Foto: sorapop, Adobe Stock
