近日，密蘇里大學機械與航天工程系林見副教授課題組在材料領域頂刊《Progress in Materials Science》(2021年影響因子48.165) 發表了題為“人工智能與實驗自動化的融合：自主實驗室”（Toward autonomous laboratories: Convergence of artificial intelligence and experimental automation）的長篇綜述。本文總結了自主實驗在過去十幾年的發展狀況，首先介紹了如何將人工智能應用在材料研究領域，隨后系統討論了在材料自動合成、表征數據分析和決策算法的研究進展，最后討論了當前面臨的挑戰，并展望了下一代自主實驗室以期實現全自主實驗。全文共44頁，含18幅圖、5個表格和565篇參考文獻。
人類社會日新月異的發展對具有新功能新特性的功能材料研發提出了挑戰。過去幾十年間，材料的研發仍然以受過良好訓練的科學家開發為主，輔之以領域知識和物理化學原理。盡管如此，材料研發過程仍以試錯為主，需要大量的人力物力投入。此外，由于人為參與，可重復性與偏差仍然存在。這些客觀存在的諸多問題與挑戰使得研發進度大幅落后于生產制造和消費者迫切需求的進度。因此，大力推進當前研究范式的演進以加快材料研發進度成為當務之急。
實驗自動化通過借助先進的科學儀器與統計方法，實現自動篩選，因而在學術和工業屆，尤其是制藥和有機化學領域，得到廣泛應用。實驗自動化因其擅長重復操作，極大地提高了待研究材料的通量。更為重要的是，它可以將研究者從繁瑣復雜的日常實驗室操作中解放出來，可以更好地投入到更具創造性和挑戰性的科研任務中去。然而，當前的實驗自動化仍然面臨三方面的挑戰。（1）實驗中搜集的圖譜與波譜表征數據的分析速度與收集速度不匹配。（2）重度依賴于研究者的過程與性能探索毫無疑問地拉低探索效率。（3）考慮到成千上萬種組合的高維度與非線性，自動化不可能探索所有可能的組合。因此，智能表征數據分析與決策算法的研發成為驅動自主實驗的當務之急，這將構成自主實驗的重要一環。
近年來興起的機器學習尤其是深度學習已經在包括計算機視覺、自主駕駛、語音識別、推薦系統、蛋白質折疊和生物醫學成像等領域取得了非凡的成果。區別于傳統基于物理模型，被稱作“從數據中學習”的機器學習可以不借助任何公式與定理，就可以將從海量數據中學到的隱藏信息用于預測新數據。機器學習的重大突破得益于海量數據的獲得、超強的計算力和更為強大的算法三方面在內的進步。過去的幾年間學術界見證了機器學習在材料與化學領域的應用，這包括材料的物理化學性質預測、加工-結構-性能關系的定量分析、材料制備的引導、有機化學合成規劃和表征數據的分析。
作為新出現的研究范式，自主實驗將機器學習與實驗自動化有機結合形成的有機結合，已經在材料研發展現了巨大的應用前景。自主實驗通過有效探索化學和反應空間，極大地減少需要操作的實驗總量，從而縮短材料研發的周期。機器學習算法通過分析累積的實驗結果與表征數據，快速決定自動化設備如何操作下一步實驗，成為自主迭代的閉環重要組成部分。自2010年以來，與自動化和自主化實驗在材料與化學領域的研究論文數量呈現快速增長的趨勢，并在可預見的未來繼續保持這個勢頭。
圖1 材料研發的全自主實驗流程示意圖。
圖2 構建機器學習模型的流程示意圖。
圖3 連續流反應器示意圖及其應用案例。
圖4 桌面機器示意圖及其應用案例。
圖5 波譜類數據的快速分析。
他們依據算法機理將決策算法分為貝葉斯優化、強化學習、演進算法等，又根據待優化目標的數量將決策算法分為單目標和多目標優化。同時討論了怎么把物理，化學的規律，和人的直覺等引入到這些優化模型當中。
原文鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0079642522001244
- 濟南大學化學化工學院國家級人才團隊招聘 - 教授、副教授、講師、博士后（師資） 2025-04-21
- 天大封偉教授、王玲教授團隊 Matter：人工智能神經肌肉纖維束 2024-12-04
- 濟南大學化學化工學院國家級人才團隊招聘啟事 - 教授、副教授、講師、博士后（師資） 2024-11-12
