用于材料設計和制造的下一代智能實驗室介紹
跟蹤智慧實驗室的理論研究發展狀況、產業發展動態、主要設備供應商產品研發動態、國內外智慧實驗室建設成果現狀等信息內容。本文由中科院上海生命科學信息中心與曼森生物合作供稿。
本期“前沿技術”欄目，編譯了 Xiting Peng 等發表在 MRS Bull.期刊上的綜述論文《用于材料設計和制造的下一代智能實驗室》（Next-generation intelligent laboratories for materials design and manufacturing），作者介紹了這一新研究范式的基本概念和基礎，通過案例研究展示了其典型的應用場景，并展望了未來的協同人機元實驗室。
目錄
01/前言02/智能實驗室基礎
2.1具有實驗計劃的高通量實驗
2.2理論計算
2.3人工智能實驗室
2.4自動化實驗硬件
03/智能實驗室的應用場景
3.1材料配方和合成條件的探索
3.2有機合成智能實驗室
3.3完全自主的催化劑設計實驗室
04/智能實驗室的未來發展方向
01 前言
從清潔能源到人類福利甚至國家安全，先進材料對社會發展至關重要。然而， 事實是，材料的開發過程非常漫長。一種新材料從發現到部署需要經歷許多步驟， 通常需要幾十年的時間。另一方面，隨著改進材料的不斷探索，材料的復雜性也在增加。僅僅幾個參數的組合就可以產生巨大的搜索空間， 這是傳統手工實驗無法充分探索的。各種技術已被應用于加速材料開發，其中包括四種科學研究范式（圖 1）。高通量實驗技術使實驗的規模和效率不斷提高。通過數據庫存儲計算結果的理論計算方法，可以在計算機上快速進行篩選。數據科學相關技術，特別是機器學習， 在材料科學中產生了數據驅動的發現。在這種情況下，提出了自動駕駛實驗室或自主實驗系統的概念。
圖 1 展示與下一代智能實驗室相關的四種研究范式。智能實驗室不是一項新技術，而是一個涉及材料研究各個方面的系統。
02 智能實驗室基礎
圖 2 智能實驗室的一般工作流程。系統的定義是手動完成的，而實驗計劃和進行的過程是完全自主的。
2.1具有實驗計劃的高通量實驗
實驗統計設計（DOE）是一種早期應用于實驗規劃的方法，通過系統抽樣和 測試來分析多個自變量之間的相互關系及其對因變量的影響。當自變量數量較少且它們之間的關系相對簡單時，這是一種強大的方法。隨后，早期的人工智能（AI）方法和先進的優化算法開始應用于材料科學，以解決更復雜的問題。例如，全局單目標優化算法 SNOBFIT 可以在沒有理論模型的情況下進行優化，并已用于化學反應的優化。一些多目標優化方法，如 TSEMO 和 MOAL，也已被開發用于沖突目標之間的權衡。隨著人工智能的發展，主動學習和強化學習技術已開始用于材料研究。
2.2理論計算
理論計算可以被認為是實驗吞吐量的進一步擴展，并在一些國家級材料加速計劃中得到了強調，如材料基因組計劃（MGI）。通過高通量計算，研究人員可以在不進行實驗的情況下探索更大范圍的化學空間，并直接在計算機上進行虛擬篩選。與數據驅動的機器學習模型給出的預測不同，理論計算的結果直接來自基本物理原理，被認為更可靠、更具物理解釋性，而且計算時間更長。因此，創建了大型計算材料數據庫，以存儲理論計算的結果并減少重復計算。機器學習方法通過引入動態訓練的代理模型來加快理論計算的搜索過程。在之前的工作中，理論計算也可以直接添加到主動學習循環中，以實現自我改進的材料發現。
2.3人工智能實驗室
人工智能對智能實驗室的最大貢獻在于人工智能規劃，它作為系統的“計算大腦”存在，以指導下一個實驗。考慮到深度學習（DL）方法是人工智能的另一個重要組成部分，它通常涉及構建和訓練數據密集型模型，這些模型似乎與“更高效的實驗”的目標不匹配，因此很難將其直接應用于智能實驗室。但它仍然可以在各個方面發揮作用。
2.4自動化實驗硬件
自動化技術是物理儀器和計算核心之間的橋梁，它決定了可以應用閉環自主 研究范式的任務范圍。可以強調的是，自動化和數字化意義重大：標準化操作和全面的數據記錄。材料很復雜，合成條件的微小變化或手動實驗過程中可能忽略的一些因素（如實驗室溫度和濕度、樣品純度）可能會對實驗產生很大影響。另 一方面，盡管出版物中只報道了最成功的實驗結果，但失敗的實驗往往包含化學直覺，這些信息的收集和使用也有助于材料的發現。因此，未來的實驗室需要數字化記錄和整合實驗中的所有信息。
3.智能實驗室的應用場景
3.1 材料配方和合成條件的探索
智能實驗室的經典應用場景可以歸結為通過優化材料的配方或合成條件來 實現最佳性能，無論這些材料是碳納米管、金納米顆粒、量子點、薄膜材料，或亞穩態材料。材料的合成表征周期通常是固定的，可以在單個機器人平臺甚至單個儀器上完成。困難在于大量可用的處理參數對它們的關系知之甚少，使用人工智能驅動的自動化實驗平臺可以更有效地探索這些參數。
3.2 有機合成智能實驗室
智能實驗室的研究范式也可以應用于有機合成。對于每個反應，都需要大量的重復實驗來找到最佳的反應條件，以獲得最大的產率并使副產物最小化。Angello 等人為雜芳基 Suzuki Miyaura 偶聯反應的一般反應條件設計了一個閉環優化過程。首先通過數據挖掘技術選擇襯底，然后將不確定性最小化 ML 和機器人實驗相結合，進行迭代測試，以優化反應條件。發現了使目前廣泛使用的條件的平均產率加倍的反應條件，并且與先前報道的條件相比，通用性也顯示出統計學上顯著的增加。該工作流程提高了反應優化的效率，而有機合成過程通常涉及不同類型的反應，并且不同反應的優化需要系統的可重構性。Bédard 等人開發了 一種即插即用、連續流動的化學合成系統。該系統高度集成，可以根據需要以簡單的方式選擇和配置不同的模塊化單元操作和分析方法。反應條件的優化是自動進行的，并且提供了用戶友好的界面以達到高可用性。該系統的能力已經在幾個廣泛使用的單步和兩步反應中得到了證明。
3.3 完全自主的催化劑設計實驗室
盡管為特定任務構建自主實驗平臺并不具有挑戰性，但應用范圍有限。幾項努力旨在建立一個能夠執行多項研究任務的完全自主的實驗室。建造這樣一個平臺當然很耗時，但一旦這樣一個實驗室全面投入使用，其好處仍然很大。Burger 等人提出了一項具有里程碑意義的工作，命名為移動機器人化學家。一個帶有機械臂的移動機器人平臺被用來模仿人類行為。借助激光掃描與觸摸反饋相結合的精細定位，該平臺可以像人一樣在實驗室中自由移動，抓取和轉移樣品瓶，并在不修改物理硬件的情況下操作商業儀器。整個實驗過程由八個工作站完成。通過使用分批貝葉斯算法來優化催化劑配方，在 688 次實驗后確定了具有比初始配方高六倍活性的光催化劑混合物。
4.智能實驗室的未來發展方向
曼森生物合成生物學自動化實驗室
