这个人工智能驱动的实验室自主运行——新材料研发速度提升10倍

自动驾驶实验室是结合机器学习、自动化与化学及材料科学的机器人平台，旨在更快地发现新材料。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的目标。

"想象一下，如果科学家能在数天内而非数年内，仅使用少量材料并产生远少于现状的废物，即可发现用于清洁能源、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、北卡罗莱纳州立大学化学与生物分子工程系ALCOA教授Milad Abolhasani表示，"这项工作使那个未来更近了一步。"

迄今为止，采用连续流动反应器的自动驾驶实验室主要依赖稳态流动实验。在这些实验中，不同前体物质在微通道中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。

"这种成熟的自动驾驶实验室方法对材料发现产生了巨大影响，"Abolhasani说，"它让我们能在数月或数周内（而非数年）为特定应用识别出有前景的候选材料，同时降低研究成本和环境影响。但仍有改进空间。"

稳态流动实验要求自动驾驶实验室等待化学反应完成才能表征产物。这意味着系统在反应过程中处于闲置状态，每次实验可能耗时长达一小时。

"我们开发的新型自动驾驶实验室采用动态流动实验技术，通过系统持续改变化学混合物组成并实时监测，"Abolhasani解释道，"换言之，我们构建的系统可连续运行，无需让单独样本通过系统并在达到稳态后逐一测试。样本在系统中持续移动，由于系统永不停止表征样本，我们每半秒就能捕捉样本内部变化的数据。"

"例如，我们不再仅获得一个反应10秒后的数据点，而是拥有20个数据点——反应0.5秒后一个、反应1秒后一个，以此类推。这如同将单张快照切换为反应全程的电影。系统无需等待实验结束，始终处于运行和学习状态。"

收集如此海量的额外数据显著提升了自动驾驶实验室的性能。

"自动驾驶实验室的核心在于其机器学习算法，该系统据此预测下一步实验，"Abolhasani指出，"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、更快速的决策，以指数级速度锁定最优材料与工艺。因为算法获取的高质量实验数据越多，其预测就越精准，解决问题也越快。这同时具备降低化学试剂用量的附加优势。"

本研究中，采用动态流系统的自动驾驶实验室在相同时间内生成的数据量至少是稳态流实验系统的10倍，且能在训练后首次尝试即识别出最佳候选材料。

"这一突破不仅是速度的提升，"Abolhasani强调，"通过减少实验次数，系统大幅降低了化学品消耗与废弃物产生，推进了可持续研究实践。"

"材料发现的未来不仅关乎速度，更在于我们如何负责任地抵达目标，"Abolhasani表示，"我们的方法意味着更少的化学品、更少的废弃物，以及为社会最严峻挑战提供更快的解决方案。"

题为《流驱动数据强化加速自主材料发现》的论文将于7月14日发表在《自然-化学工程》期刊。共同第一作者包括北卡州立大学博士生Fernando Delgado-Licona、硕士生Abdulrahman Alsaiari及前本科生Hannah Dickerson。合著者包括本科生Philip Klem、前博士后研究员Arup Ghorai、现任博士后研究员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的Enrique A. López-Guajardo。

该研究获得美国国家科学基金会（资助号：1940959, 2315996, 2420490）及北卡罗莱纳大学研究机会计划项目支持。