共计 1488 个字符，预计需要花费 4 分钟才能阅读完成。
在材料科学领域，发现新型材料往往需要耗费大量时间和资源。然而，麻省理工学院的研究人员近日开发了一种名为 ’ 真实世界实验科学家助手 ’（CRESt）的创新平台，通过整合多种数据来源和自动化实验流程，显著加速了新材料的发现过程。
传统的机器学习模型在材料科学中的应用通常局限于少数特定类型的数据或变量。相比之下，人类科学家在实验过程中会综合考虑实验结果、科学文献、成像分析、个人经验以及同行评审的反馈。CRESt 平台的独特之处在于，它能够整合来自文献见解、化学成分、微观结构图像等多种来源的信息，并通过机器人设备进行高通量材料测试。测试结果随后被反馈到一个大型多模态模型中，以进一步优化材料配方。
研究人员可以通过自然语言与 CRESt 进行对话，无需编写代码。系统能够自行观察并提出假设，同时利用摄像头和视觉语言模型监控实验过程，检测问题并提出纠正建议。麻省理工学院电力工程学院的 Carl Richard Soderberg 教授 Ju Li 表示：’ 在人工智能应用于科学领域，关键在于设计新实验。我们使用多模态反馈——例如文献中关于钯在燃料电池中在特定温度下表现的信息，以及人类反馈——来补充实验数据并设计新实验。’
材料科学实验通常需要精心设计工作流程，制造新材料，并进行一系列测试和分析。为了改进这一过程，CRESt 采用了主动学习的机器学习策略，结合贝叶斯优化（BO）技术，帮助研究人员识别出用于电池和先进半导体等应用的新材料。Li 解释说：’ 贝叶斯优化就像 Netflix 根据你的观看历史推荐下一部电影，只不过它推荐的是下一个实验。但基本的贝叶斯优化过于简单化，无法处理真实材料中的复杂依赖关系。’
为了赋予计算系统更多类似人类的知识，同时保持自动化系统的速度和可控性，Li 及其团队构建了 CRESt。该平台的机器人设备包括液体处理机器人、碳热冲击系统、自动化电化学工作站、自动电子显微镜和光学显微镜等。研究人员可以通过用户界面与 CRESt 对话，指示其使用主动学习为不同项目寻找有前景的材料配方。
材料科学实验面临的一个重要挑战是可重复性。为了应对这一问题，CRESt 通过摄像头监控实验过程，寻找潜在问题，并通过文本和语音向研究人员提出解决方案。研究人员将计算机视觉和视觉语言模型与科学文献中的领域知识相结合，使系统能够假设不可重复性的来源并提出解决方案。例如，模型可以注意到样本形状的毫米级偏差或移液器将某物移出原位。
通过采纳模型的建议，研究人员提高了实验的一致性，表明模型已经成为了良好的实验助手。然而，Li 强调：’CRESt 是人类研究人员的助手，而不是替代品。人类研究人员仍然不可或缺。事实上，我们使用自然语言，以便系统可以解释其正在做什么，并提出观察和假设。但这是迈向更灵活、自动驾驶实验室的一步。’
在一项发表于《自然》的研究中，研究人员使用 CRESt 探索了 900 多种化学物质，并进行了 3500 次电化学测试，最终发现了一种催化剂材料，该材料在一种使用甲酸盐发电的燃料电池中实现了创纪录的功率密度。这种由八种元素组成的催化剂材料，其每美元的功率密度比纯钯（一种昂贵的贵金属）提高了 9.3 倍。
这些结果表明，CRESt 在解决困扰材料科学和工程界数十年的现实世界能源问题方面具有巨大潜力。Zhang 指出：’ 燃料电池催化剂的一个重大挑战是贵金属的使用。我们使用了一种多元素催化剂，其中还包含许多其他廉价元素，以创建催化活性和抗中毒物种的最佳配位环境。该系统大大加速了我们对这些催化剂的搜索。’
随着 CRESt 平台的进一步发展和应用，材料科学领域有望迎来更多突破性进展，为能源、电子和医疗等多个行业带来深远影响。
