这个由人工智能驱动的实验室自主运行——并以10倍速度发现新材料

自主实验室是将机器学习、自动化技术与化学材料科学相结合的机器人平台，能显著加速新材料发现进程。这种自动化流程使机器学习算法能够利用每次实验数据，在系统预设目标指导下预测下一步实验方案。

"想象科学家能在数日内而非数年间发现清洁能源、新型电子器件或可持续化学品领域的突破性材料，同时仅需使用现有方法的部分原料并大幅减少废弃物，"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，"这项研究让我们向这个未来更近了一步。"

目前采用连续流动反应器的自主实验室主要依赖稳态流动实验。这些实验中，不同前驱体在微通道内持续流动混合并发生化学反应，反应完成后通过传感器阵列对产物进行表征。

"这种成熟的自主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内（而非数年）确定特定应用场景的候选材料，同时降低研究成本和环境足迹。但仍有改进空间。"

稳态流动实验要求自主实验室等待化学反应完成才能进行材料表征。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。

"我们开发的自主实验室采用动态流动实验技术，化学混合物在系统中持续变化并实时监测，"Abolhasani解释道，"不同于传统方法需要等待样品达到稳态后逐个测试，新系统实现了不间断运行。样品持续流动过程中，系统每半秒就能捕获一次反应数据。"

"例如传统方法只能获得反应10秒后的单一数据点，而新系统可采集20个数据点——包括反应0.5秒、1秒等连续时间节点的数据。这就像将单张快照升级为反应过程的实时影像。系统始终处于运行和学习状态。"

海量新增数据显著提升了自主实验室性能。

"自主实验室的核心在于机器学习算法预测后续实验的能力，"Abolhasani强调，"这种流式数据处理使系统能做出更智能、更快速的决策，在极短时间内锁定最优材料和工艺。因为算法获得的高质量实验数据越多，其预测精度就越高，问题解决速度就越快。这还附带减少了达到解决方案所需的化学品用量。"

研究发现，采用动态流动系统的自主实验室在相同时间内生成的数据量是稳态流动实验的10倍以上，且能在训练后首次尝试就识别出最佳候选材料。

"这一突破不仅是速度的提升，"Abolhasani指出，"通过减少实验次数，系统显著降低了化学品消耗和废弃物产生，推动了可持续研究实践。"

"材料发现的未来不仅关乎速度，更在于实现过程的负责任程度。我们的方法意味着更少的化学品消耗、更低的废弃物排放，以及更快解决社会重大挑战的方案。"Abolhasani总结道。

题为《流动驱动数据强化加速自主材料发现》的论文将于7月14日发表于《自然-化学工程》期刊。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及该校本科毕业生Hannah Dickerson。合著者还包括该校本科生Philip Klem、博士后研究员Arup Ghorai（已离校）、现任博士后Richard Canty与Jeffrey Bennett、博士生Pragyan Jha、Nikolai Mukhin、Junbin Li和Sina Sadeghi、已毕业博士生Fazel Bateni，以及蒙特雷理工学院Enrique A. López-Guajardo。

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