想象一下，有一本食谱，里面有 150,000 道诱人的菜肴，但制作菜肴的很少。
这就是劳伦斯伯克利国家实验室 (LBNL) 的「材料项目」（Materials Project）所面临的挑战。它使用计算机预测了大约 150,000 种可以改进电池电极和催化剂等设备的新材料。但该数据库的全球用户仅仅设法将其中的一小部分用于测试，还有成千上万的未尝试。「合成已成为瓶颈，」LBNL 的材料科学家 Gerbrand Ceder 说。
Ceder 和他的同事们结合了AI 和机器人技术来消除这一瓶颈。AI 系统对所需材料的配方做出最佳猜测，然后在机器人尝试创建物理样品时迭代反应条件。这个被称为 A-Lab 的新装置，每天合成的新材料已经是实验室里人类所能合成的大约 100 倍。「这是要走的路，」弗赖堡大学的化学家 Ali Coskun 说。
AI 驱动的机器人实验室在寻找新药的制药公司甚至一些学术材料实验室中变得司空见惯。但主要使用相对容易混合和加工的液态前体化合物。「用固体材料做到这一点要困难得多，」Coskun 说。合成这些材料通常需要将固体粉末混合在一起，然后添加不同的溶剂组合，并对热量、干燥时间和其他输入进行试验，以试图让它们结晶成预期的材料。
Ceder 说，食谱的数量基本上是无限的。
LBNL 材料项目的负责人 Kristin Persson 宣布了新的A-Lab实验室，他说，虽然计算机可以预测哪些最终化合物应该会产生更好的设备，但「没有合成理论告诉我们什么可以制造什么不能制造。」
Ceder 说，以前的自动化工作随机混合化合物以寻找新材料，但新的 AI 驱动方法更类似于传统化学家的工作方式。AI 首先利用其对化学的理解提出一种合理的材料合成方法。它引导机械臂在近 200 种不同的粉状起始材料中进行选择，其中包含锂、镍、铜、铁和锰等元素。混合前体后，另一个机器人将混合物分装到一组坩埚中，然后将其装入熔炉中，在那里它们可以与氮气、氧气和氢气等气体混合。然后，AI 会确定煅烧不同混合物的时间、温度、干燥时间等。
煅烧后，一个类似口香糖球的分配器在每个坩埚中添加一个滚珠轴承并摇动它以将新物质研磨成细粉，然后加载到载玻片上。然后机械臂抓取每个样本并将其滑入 X 射线机或其他设备中进行分析。结果被反馈到材料结构和特性的材料项目数据库中，如果结果与预期不同，AI 设置会迭代反应条件并重新开始。
LBNL 的研究人员在过去的几个月里一直在研究他们系统中的问题并进行测试。在此过程中，A-Lab 已经生产了 40 多种目标材料——约占其计划生产的化合物的 70%。「在过去的 6 周里，我制造的新化合物比我整个职业生涯都多，」Ceder 说。
LBNL 的 AI 材料实验室可能不会长期孤立无援。在 4 月 3 日三星先进技术研究所研究人员发布的预印本（《Navigating phase diagram complexity to guide robotic inorganic materials synthesis》）中，研究人员报告说，他们也建立了一个计算机驱动的机器人实验室来寻找新的电子材料。该报告的结果显示，他们的装置进行了 200 多次反应，生成了 35 种无机化合物，包括电池电极、固体氧化物燃料电池和超导体中常用的某些氧化物。三星的 Jeong-Ju Cho 表示，在机器人实验的每个阶段，「都在一定程度上使用了 AI」。
具体而言，研究人员提出了一种热力学策略来导航高维相图，以寻找能够规避低能量竞争副产物的前体，同时最大化反应能量以驱动快速相变动力学。使用机器人无机材料合成实验室，对前体选择原则进行了大规模的实验验证。对于一组 35 种具有代表插层电池阴极和固态电解质化学性质的目标四元氧化物，进行了 224 种反应，涵盖 27 种元素和 28 种独特的前体。结果预测的前体通常产生比从传统前体开始时具有更高相纯度的目标材料。
Ceder 指出，尽管转向了全自动合成和分析，但研究人员还是一如既往地有可能做出意想不到的发现。「这与 A-Lab 没有什么不同。」除了现在，成功和惊喜可能会来得更快。
研究人员表示：「这项工作预示着数据驱动的实验合成科学的新范式，机器人实验室的高吞吐量和可重复性使对合成科学假设的更全面的研究成为可能。这个令人兴奋的机器人平台可以用于研究更多的基本问题。当我们使用这些机器人实验室来验证人类设计的假设时，我们将加深对材料形成过程中热力学和动力学之间相互作用的基本理解。同时，这种科学理解将推动基于物理信息的 AI 合成规划框架的开发，以实现真正自主的材料加工和制造。」
参考内容：
https://www.science.org/content/article/ai-driven-robots-start-hunting-novel-materials-without-help-humans
