用于材料設(shè)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(fā)展狀況、產(chǎn)業(yè)發(fā)展動態(tài)、主要設(shè)備供應(yīng)商產(chǎn)品研發(fā)動態(tài)、國內(nèi)外智慧實驗室建設(shè)成果現(xiàn)狀等信息內(nèi)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(shù)”欄目，編譯了 Xiting Peng 等發(fā)表在 MRS Bull.期刊上的綜述論文《用于材料設(shè)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(chǔ)，通過案例研究展示了其典型的應(yīng)用場景，并展望了未來的協(xié)同人機元實驗室。
目錄
01/前言02/智能實驗室基礎(chǔ)
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(yīng)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(shè)計實驗室
04/智能實驗室的未來發(fā)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(fā)展至關(guān)重要。然而， 事實是，材料的開發(fā)過程非常漫長。一種新材料從發(fā)現(xiàn)到部署需要經(jīng)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(shù)的組合就可以產(chǎn)生巨大的搜索空間， 這是傳統(tǒng)手工實驗無法充分探索的。各種技術(shù)已被應(yīng)用于加速材料開發(fā)，其中包括四種科學研究范式（圖 1）。高通量實驗技術(shù)使實驗的規(guī)模和效率不斷提高。通過數(shù)據(jù)庫存儲計算結(jié)果的理論計算方法，可以在計算機上快速進行篩選。數(shù)據(jù)科學相關(guān)技術(shù)，特別是機器學習， 在材料科學中產(chǎn)生了數(shù)據(jù)驅(qū)動的發(fā)現(xiàn)。在這種情況下，提出了自動駕駛實驗室或自主實驗系統(tǒng)的概念。
圖 1 展示與下一代智能實驗室相關(guān)的四種研究范式。智能實驗室不是一項新技術(shù)，而是一個涉及材料研究各個方面的系統(tǒng)。
02 智能實驗室基礎(chǔ)
圖 2 智能實驗室的一般工作流程。系統(tǒng)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(tǒng)計設(shè)計（DOE）是一種早期應(yīng)用于實驗規(guī)劃的方法，通過系統(tǒng)抽樣和 測試來分析多個自變量之間的相互關(guān)系及其對因變量的影響。當自變量數(shù)量較少且它們之間的關(guān)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(yōu)化算法開始應(yīng)用于材料科學，以解決更復雜的問題。例如，全局單目標優(yōu)化算法 SNOBFIT 可以在沒有理論模型的情況下進行優(yōu)化，并已用于化學反應(yīng)的優(yōu)化。一些多目標優(yōu)化方法，如 TSEMO 和 MOAL，也已被開發(fā)用于沖突目標之間的權(quán)衡。隨著人工智能的發(fā)展，主動學習和強化學習技術(shù)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(diào)，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(shù)據(jù)驅(qū)動的機器學習模型給出的預(yù)測不同，理論計算的結(jié)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(chuàng)建了大型計算材料數(shù)據(jù)庫，以存儲理論計算的結(jié)果并減少重復計算。機器學習方法通過引入動態(tài)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(huán)中，以實現(xiàn)自我改進的材料發(fā)現(xiàn)。
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(guī)劃，它作為系統(tǒng)的“計算大腦”存在，以指導下一個實驗�？紤]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(gòu)建和訓練數(shù)據(jù)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(yīng)用于智能實驗室。但它仍然可以在各個方面發(fā)揮作用。
2.4自動化實驗硬件
自動化技術(shù)是物理儀器和計算核心之間的橋梁，它決定了可以應(yīng)用閉環(huán)自主 研究范式的任務(wù)范圍。可以強調(diào)的是，自動化和數(shù)字化意義重大：標準化操作和全面的數(shù)據(jù)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(chǎn)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(jié)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(fā)現(xiàn)。因此，未來的實驗室需要數(shù)字化記錄和整合實驗中的所有信息。
3.智能實驗室的應(yīng)用場景
3.1 材料配方和合成條件的探索
智能實驗室的經(jīng)典應(yīng)用場景可以歸結(jié)為通過優(yōu)化材料的配方或合成條件來 實現(xiàn)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(wěn)態(tài)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(shù)對它們的關(guān)系知之甚少，使用人工智能驅(qū)動的自動化實驗平臺可以更有效地探索這些參數(shù)。
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(yīng)用于有機合成。對于每個反應(yīng)，都需要大量的重復實驗來找到最佳的反應(yīng)條件，以獲得最大的產(chǎn)率并使副產(chǎn)物最小化。Angello 等人為雜芳基 Suzuki Miyaura 偶聯(lián)反應(yīng)的一般反應(yīng)條件設(shè)計了一個閉環(huán)優(yōu)化過程。首先通過數(shù)據(jù)挖掘技術(shù)選擇襯底，然后將不確定性最小化 ML 和機器人實驗相結(jié)合，進行迭代測試，以優(yōu)化反應(yīng)條件。發(fā)現(xiàn)了使目前廣泛使用的條件的平均產(chǎn)率加倍的反應(yīng)條件，并且與先前報道的條件相比，通用性也顯示出統(tǒng)計學上顯著的增加。該工作流程提高了反應(yīng)優(yōu)化的效率，而有機合成過程通常涉及不同類型的反應(yīng)，并且不同反應(yīng)的優(yōu)化需要系統(tǒng)的可重構(gòu)性。Bédard 等人開發(fā)了 一種即插即用、連續(xù)流動的化學合成系統(tǒng)。該系統(tǒng)高度集成，可以根據(jù)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(yīng)條件的優(yōu)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(tǒng)的能力已經(jīng)在幾個廣泛使用的單步和兩步反應(yīng)中得到了證明。
3.3 完全自主的催化劑設(shè)計實驗室
盡管為特定任務(wù)構(gòu)建自主實驗平臺并不具有挑戰(zhàn)性，但應(yīng)用范圍有限。幾項努力旨在建立一個能夠執(zhí)行多項研究任務(wù)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(jié)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(zhuǎn)移樣品瓶，并在不修改物理硬件的情況下操作商業(yè)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(yōu)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(fā)展方向
曼森生物合成生物學自動化實驗室
