这间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、自动化与化学和材料科学相结合的机器人平台，旨在更快速地发现材料。自动化流程使机器学习算法能够利用每次实验的数据，在预测下一步应进行何种实验以实现系统设定的目标时发挥作用。

"想象一下，如果科学家们能在几天而非数年内，使用比现状少得多的材料并产生更少的废物，就发现用于清洁能源、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、北卡罗来纳州立大学化学与生物分子工程系ALCOA教授Milad Abolhasani说。"这项工作使那样的未来更近了一步。"

迄今为止，采用连续流动反应器的自主实验室一直依赖于稳态流动实验。在这些实验中，不同的前驱体被混合在一起发生化学反应，同时在微通道中持续流动。反应完成后，最终产物会通过一组传感器进行表征。

"这种成熟的自主实验室方法对材料发现产生了巨大影响，"Abolhasani说。"它使我们能在几个月或几周内，而非几年，就确定特定应用中具有前景的候选材料，同时降低了工作成本和环境影响。然而，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发生后再表征所得材料。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。

"我们现在创建了一个利用动态流动实验的自主实验室，化学混合物在系统中持续变化并实时监测，"Abolhasani说。"换句话说，我们开发的系统几乎永不停止运行，而不是让独立样本逐个通过系统并在达到稳态后逐一测试。样本持续在系统中移动，由于系统永不停止表征样本，我们能够每半秒捕获一次样本中发生的变化数据。

"例如，在10秒反应时间后，我们不再仅有一个关于实验产物的数据点，而是拥有20个数据点——一个在0.5秒反应时间后，一个在1秒后，依此类推。这就像从单一快照切换到了反应全程的完整影像。我们的系统无需等待每个实验结束，而是持续运行，持续学习。"

收集如此大量的额外数据对自主实验室的性能产生重大影响。

"任何自主实验室最重要的部分是其机器学习算法，系统用它来预测下一步应进行何种实验，"Abolhasani说。"这种流式数据方法使自主实验室的机器学习大脑能够做出更智能、更快速的决策，在极短时间内锁定最优材料和工艺。这是因为算法接收的高质量实验数据越多，其预测就越准确，解决问题也越快。这还具有减少达到解决方案所需化学品用量的额外优势。"

在这项工作中，研究人员发现，在相同时间内，采用动态流动系统的自主实验室产生的数据量比使用稳态流动实验的自主实验室至少多出10倍，并且能够在训练后首次尝试就确定最佳候选材料。

"这一突破不仅关乎速度，"Abolhasani说。"通过减少所需实验次数，该系统显著降低了化学品消耗和废物产生，推进了更可持续的研究实践。

"材料发现的未来不仅在于我们能多快推进，还在于我们如何负责任地实现目标，"Abolhasani说。"我们的方法意味着更少的化学品、更少的废物，以及为应对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》期刊上。该论文的共同第一作者是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。合著者包括北卡罗来纳州立大学本科生Philip Klem；该校前博士后研究员Arup Ghorai；该校现任博士后研究员Richard Canty和Jeffrey Bennett；该校博士生Pragyan Jha、Nikolai Mukhin、李俊斌（Junbin Li）和Sina Sadeghi；该校前博士生Fazel Bateni；以及蒙特雷理工学院的Enrique A. López-Guajardo。

这项工作得到了国家科学基金会（资助号：1940959、2315996、2420490）和北卡罗来纳大学研究机会计划项目的支持。