这个AI驱动的实验室自主运行，新材料发现速度提升10倍

自驱动实验室是结合机器学习、自动化技术与化学及材料科学的机器人平台，旨在更快地发现材料。该自动化流程使机器学习算法能够利用每次实验的数据，预测下一步应进行何种实验以实现系统预设目标。

"想象一下，如果科学家们能在数天而非数年内，仅使用当前一小部分材料并产生更少废料，就发现可用于清洁能源、新型电子设备或可持续化学品的突破性材料，"该论文通讯作者、北卡罗来纳州立大学化学与生物分子工程系ALCOA教授Milad Abolhasani表示，"这项研究让这个未来更近了一步。"

迄今为止，采用连续流动反应器的自驱动实验室均依赖稳态流实验。此类实验中，不同前体物质在微通道内持续流动时混合并发生化学反应。反应完成后，通过一组传感器对产物进行表征。

"这种成熟的自驱动实验室方法对材料发现产生了革命性影响，"Abolhasani指出，"它使我们能在数月或数周而非数年内，为特定应用筛选出有前景的候选材料，同时降低成本和环境影响。然而仍有改进空间。"

稳态流实验要求自驱动实验室等待化学反应完成才能表征产物材料。这意味着系统在反应进行期间处于闲置状态，每次实验可能耗时长达一小时。

"我们现已开发出采用动态流实验的自驱动实验室，化学混合物在系统中持续变化并实时监测，"Abolhasani解释道，"换言之，系统无需在达到稳态后逐个测试独立样本，而是构建了永续运行的体系。样本在系统中持续移动，因系统永不停止表征过程，可每半秒捕获样本动态数据。

"例如，原本仅能获得反应10秒后的单点数据，现在可获取20个数据点——反应0.5秒、1秒等各时刻的数据。这如同将静态快照升级为反应实况影像。系统无需等待实验结束，始终处于运行和学习状态。"

海量新增数据显著提升了自驱动实验室性能。

"系统用于预测后续实验的机器学习算法是自驱动实验室的核心，"Abolhasani强调，"这种流式数据方法使实验室的'机器学习大脑'能做出更智能、快速的决策，在极短时间内优化材料和工艺。因为算法获取的高质量实验数据越多，其预测精度越高，解决问题速度越快，同时大幅减少所需化学品用量。"

本研究中，采用动态流系统的自驱动实验室在相同时间内生成的数据量是稳态流实验的10倍以上，且能在训练后首次尝试即锁定最佳候选材料。

"此项突破不仅关乎速度，"Abolhasani指出，"通过减少实验次数，系统显著降低化学品消耗和废弃物产生，推进可持续研究实践。

"材料发现的未来不仅追求速度，更注重研究过程的可持续性，"Abolhasani表示，"我们的方法意味着更少的化学品消耗、更低的废弃物产生，以及更快解决社会严峻挑战的方案。"

论文《流驱动数据强化加速自主材料发现》将于7月14日发表于期刊《自然-化学工程》。共同第一作者包括北卡罗来纳州立大学博士生Fernando Delgado-Licona、硕士生Abdulrahman Alsaiari以及该校前本科生Hannah Dickerson。合著者包括本科生Philip Klem、前博士后研究员Arup Ghorai、现任博士后Richard Canty与Jeffrey Bennett、博士生Pragyan Jha、Nikolai Mukhin、Junbin Li和Sina Sadeghi、前博士生Fazel Bateni，以及蒙特雷理工学院Enrique A. López-Guajardo。

本研究获得美国国家科学基金会（资助号：1940959、2315996、2420490）及北卡罗来纳大学研究计划项目的支持。