[論文レビュー] AlabOS: A Python-based Reconfigurable Workflow Management Framework for Autonomous Laboratories

Yuxing Fei, Bernardus Rendy+11 more|arXiv (Cornell University)|May 22, 2024

Scientific Computing and Data ManagementDecision Sciences被引用数 3

ひとこと要約

AlabOS は、材料研究における実験ワークフローの柔軟でモジュラーかつ並列実行を可能にする、Pythonベースの再構成可能なワークフロー管理フレームワークである。複雑なタスク依存関係、並列処理、動的再構成をサポートし、プロトタイプラボで最大1日149件のスループットを記録するなど、2,500件を超えるサンプルの制御に成功した。

ABSTRACT

The recent advent of autonomous laboratories, coupled with algorithms for high-throughput screening and active learning, promises to accelerate materials discovery and innovation. As these autonomous systems grow in complexity, the demand for robust and efficient workflow management software becomes increasingly critical. In this paper, we introduce AlabOS, a general-purpose software framework for orchestrating experiments and managing resources, with an emphasis on automated laboratories for materials synthesis and characterization. AlabOS features a reconfigurable experiment workflow model and a resource reservation mechanism, enabling the simultaneous execution of varied workflows composed of modular tasks while eliminating conflicts between tasks. To showcase its capability, we demonstrate the implementation of AlabOS in a prototype autonomous materials laboratory, A-Lab, with around 3,500 samples synthesized over 1.5 years.

研究の動機と目的

• 自律ラボにおける材料研究の分野で、柔軟で拡張可能かつ堅牢なワークフロー管理のニーズに対応すること。
• 従来のフレームワークが直列的なワークフローを強制し、複雑な依存関係や並列実行のサポートに欠けるという限界を克服すること。
• 研究者が低レベルのプログラミングを最小限に抑え、多様で再構成可能な実験ワークフローを定義・実行できること。
• 物理的ハードウェア、データ管理、人間による介入を含む操作を、自律ラボ環境でシームレスに統合すること。
• プラットフォームに依存しない、使いやすいシステムを提供し、高スループットで多数のサンプルを対象とした実験キャンペーンにスケーラブルに適応すること。

提案手法

• AlabOS は、各実験操作を入力・出力・リソース要件が明確に定義された独立したタスクアクターとしてカプセル化する、タスク指向のアクター・モデルアーキテクチャを採用している。
• 同時に実行されるタスク間のリソース競合を防ぐためのリソース占用メカニズムを実装しており、共有ラボリソースの安全かつ効率的なスケジューリングを保証している。
• 高レベルの Python API を提供することで、ユーザーが低レベルのシステムプログラミングを必要とせずに、複雑な木構造型または並列タスクシーケンスを構成できる。
• リアルタイムの監視と人間・機械の相互作用を可能にするダッシュボードおよびお知らせシステムを備えており、保守作業やエラー回復時において特に有効である。
• モジュラーかつ拡張可能な設計により、ワークフローを動的に再構成でき、自動化と手動介入の両方のポイントをサポートしている。
• ハードウェアコントローラーおよびデータストレージと統合されており、複数の実験にわたるサンプルの状態やタスクの進行状況を追跡するための中央集権的なデータベースを維持している。

Figure 1 : Schematic representation of lab states managed within the AlabOS system. The lab status is divided into four collections: (a) The sample collection tracks the sample’s position and identifies the task reserving that position; (b) the device collection records the status of the device and

実験結果

リサーチクエスチョン

• RQ1 自律材料ラボにおける複雑で再構成可能かつ並列実行可能な実験ワークフローを、ワークフロー管理システムがどのようにサポートできるか。
• RQ2 共有リソースを有する多様なラボタスクを安全にスケーラブルかつ柔軟にオーケストレーションするために、どのようなアーキテクチャパターンが有効か。
• RQ3 自律ラボ環境において、自動化と人間の監視・介入のバランスをどのように取れるか。
• RQ4 汎用的でプラットフォームに依存しないフレームワークは、自律ラボを構築する際の開発オーバーヘッドをどの程度低減できるか。
• RQ5 実世界の自律ラボ環境において、モジュラーでタスク指向のワークフロー・エンジンが達成できるパフォーマンスおよびスループットの指標は何か。

主な発見

• AlabOS は、約1年間にわたりプロトタイプ自律ラボで2,500件を超える異なるサンプルの実行を成功裏に管理した。
• 2024年2月9日には1日あたり最大149件のスループットを記録し、高いスケーラビリティと効率性を示した。
• フレームワークは、並列でのXRDおよびSEM/EDS分析、操作者へのお知らせを伴う手動加熱、スタートタスクを介した外部のサンプル処理を含む、複数の複雑なワークフローをサポートした。
• タスクタイプごとの完了タスク数の最大値は、1（Ending）から1,865（RecoverPowder）まで変動し、高頻度の操作を効果的に処理できたことが示された。
• リソース占用メカニズムにより、同時に実行されるタスク間の競合が効果的に防止され、並列および依存関係のあるワークフローの安全な実行が可能になった。
• ダッシュボードおよびお知らせシステムにより、保守作業やエラー回復時において、人間と機械の協働が効果的に実現され、システムの信頼性が向上した。

Figure 2 : An architecture diagram for AlabOS. (a) Human operators submit experiments, monitor the laboratory state, and manage user requests. (b) The physical laboratory performs these tasks via manager processes. These include (c) the dashboard server that hosts the user interface and APIs for mon