用于材料设计和制造的下一代智能实验室介绍
跟踪智慧实验室的理论研究发展状况、产业发展动态、主要设备供应商产品研发动态、国内外智慧实验室建设成果现状等信息内容。本文由中科院上海生命科学信息中心与曼森生物合作供稿。
本期“前沿技术”栏目，编译了 Xiting Peng 等发表在 MRS Bull.期刊上的综述论文《用于材料设计和制造的下一代智能实验室》（Next-generation intelligent laboratories for materials design and manufacturing），作者介绍了这一新研究范式的基本概念和基础，通过案例研究展示了其典型的应用场景，并展望了未来的协同人机元实验室。
目录
01/前言02/智能实验室基础
2.1具有实验计划的高通量实验
2.2理论计算
2.3人工智能实验室
2.4自动化实验硬件
03/智能实验室的应用场景
3.1材料配方和合成条件的探索
3.2有机合成智能实验室
3.3完全自主的催化剂设计实验室
04/智能实验室的未来发展方向
01 前言
从清洁能源到人类福利甚至国家安全，先进材料对社会发展至关重要。然而， 事实是，材料的开发过程非常漫长。一种新材料从发现到部署需要经历许多步骤， 通常需要几十年的时间。另一方面，随着改进材料的不断探索，材料的复杂性也在增加。仅仅几个参数的组合就可以产生巨大的搜索空间， 这是传统手工实验无法充分探索的。各种技术已被应用于加速材料开发，其中包括四种科学研究范式（图 1）。高通量实验技术使实验的规模和效率不断提高。通过数据库存储计算结果的理论计算方法，可以在计算机上快速进行筛选。数据科学相关技术，特别是机器学习， 在材料科学中产生了数据驱动的发现。在这种情况下，提出了自动驾驶实验室或自主实验系统的概念。
图 1 展示与下一代智能实验室相关的四种研究范式。智能实验室不是一项新技术，而是一个涉及材料研究各个方面的系统。
02 智能实验室基础
图 2 智能实验室的一般工作流程。系统的定义是手动完成的，而实验计划和进行的过程是完全自主的。
2.1具有实验计划的高通量实验
实验统计设计（DOE）是一种早期应用于实验规划的方法，通过系统抽样和 测试来分析多个自变量之间的相互关系及其对因变量的影响。当自变量数量较少且它们之间的关系相对简单时，这是一种强大的方法。随后，早期的人工智能（AI）方法和先进的优化算法开始应用于材料科学，以解决更复杂的问题。例如，全局单目标优化算法 SNOBFIT 可以在没有理论模型的情况下进行优化，并已用于化学反应的优化。一些多目标优化方法，如 TSEMO 和 MOAL，也已被开发用于冲突目标之间的权衡。随着人工智能的发展，主动学习和强化学习技术已开始用于材料研究。
2.2理论计算
理论计算可以被认为是实验吞吐量的进一步扩展，并在一些国家级材料加速计划中得到了强调，如材料基因组计划（MGI）。通过高通量计算，研究人员可以在不进行实验的情况下探索更大范围的化学空间，并直接在计算机上进行虚拟筛选。与数据驱动的机器学习模型给出的预测不同，理论计算的结果直接来自基本物理原理，被认为更可靠、更具物理解释性，而且计算时间更长。因此，创建了大型计算材料数据库，以存储理论计算的结果并减少重复计算。机器学习方法通过引入动态训练的代理模型来加快理论计算的搜索过程。在之前的工作中，理论计算也可以直接添加到主动学习循环中，以实现自我改进的材料发现。
2.3人工智能实验室
人工智能对智能实验室的最大贡献在于人工智能规划，它作为系统的“计算大脑”存在，以指导下一个实验。考虑到深度学习（DL）方法是人工智能的另一个重要组成部分，它通常涉及构建和训练数据密集型模型，这些模型似乎与“更高效的实验”的目标不匹配，因此很难将其直接应用于智能实验室。但它仍然可以在各个方面发挥作用。
2.4自动化实验硬件
自动化技术是物理仪器和计算核心之间的桥梁，它决定了可以应用闭环自主 研究范式的任务范围。可以强调的是，自动化和数字化意义重大：标准化操作和全面的数据记录。材料很复杂，合成条件的微小变化或手动实验过程中可能忽略的一些因素（如实验室温度和湿度、样品纯度）可能会对实验产生很大影响。另 一方面，尽管出版物中只报道了最成功的实验结果，但失败的实验往往包含化学直觉，这些信息的收集和使用也有助于材料的发现。因此，未来的实验室需要数字化记录和整合实验中的所有信息。
3.智能实验室的应用场景
3.1 材料配方和合成条件的探索
智能实验室的经典应用场景可以归结为通过优化材料的配方或合成条件来 实现最佳性能，无论这些材料是碳纳米管、金纳米颗粒、量子点、薄膜材料，或亚稳态材料。材料的合成表征周期通常是固定的，可以在单个机器人平台甚至单个仪器上完成。困难在于大量可用的处理参数对它们的关系知之甚少，使用人工智能驱动的自动化实验平台可以更有效地探索这些参数。
3.2 有机合成智能实验室
智能实验室的研究范式也可以应用于有机合成。对于每个反应，都需要大量的重复实验来找到最佳的反应条件，以获得最大的产率并使副产物最小化。Angello 等人为杂芳基 Suzuki Miyaura 偶联反应的一般反应条件设计了一个闭环优化过程。首先通过数据挖掘技术选择衬底，然后将不确定性最小化 ML 和机器人实验相结合，进行迭代测试，以优化反应条件。发现了使目前广泛使用的条件的平均产率加倍的反应条件，并且与先前报道的条件相比，通用性也显示出统计学上显著的增加。该工作流程提高了反应优化的效率，而有机合成过程通常涉及不同类型的反应，并且不同反应的优化需要系统的可重构性。Bédard 等人开发了 一种即插即用、连续流动的化学合成系统。该系统高度集成，可以根据需要以简单的方式选择和配置不同的模块化单元操作和分析方法。反应条件的优化是自动进行的，并且提供了用户友好的界面以达到高可用性。该系统的能力已经在几个广泛使用的单步和两步反应中得到了证明。
3.3 完全自主的催化剂设计实验室
尽管为特定任务构建自主实验平台并不具有挑战性，但应用范围有限。几项努力旨在建立一个能够执行多项研究任务的完全自主的实验室。建造这样一个平台当然很耗时，但一旦这样一个实验室全面投入使用，其好处仍然很大。Burger 等人提出了一项具有里程碑意义的工作，命名为移动机器人化学家。一个带有机械臂的移动机器人平台被用来模仿人类行为。借助激光扫描与触摸反馈相结合的精细定位，该平台可以像人一样在实验室中自由移动，抓取和转移样品瓶，并在不修改物理硬件的情况下操作商业仪器。整个实验过程由八个工作站完成。通过使用分批贝叶斯算法来优化催化剂配方，在 688 次实验后确定了具有比初始配方高六倍活性的光催化剂混合物。
4.智能实验室的未来发展方向
曼森生物合成生物学自动化实验室
