Materials Acceleration Platform for Electrochemistry (MAP-E): a Platform for Autonomous Electrochemistry

本文介绍了一种名为 MAP-E 的自主电化学加速平台，该平台通过集成机器人液体处理与多通道电位控制，实现了无需人工干预的高通量腐蚀测试，并成功利用不确定性驱动策略自主构建了 304 不锈钢的 pH-氯离子稳定性图，从而加速了材料发现与环境耐久性评估。

要点

这篇论文介绍了一个名为 MAP-E 的超级系统，你可以把它想象成腐蚀科学界的"自动驾驶汽车"或者"拥有八条手臂的机器人厨师"。

为了让你更容易理解，我们把这篇论文拆解成几个有趣的故事片段：

1. 以前的痛点：腐蚀测试太像“手工作坊”

想象一下，以前科学家要测试金属（比如不锈钢）会不会生锈，就像是在一个拥挤的厨房里，由一位大厨（科学家）亲自操作。

• 慢：一次只能做一个实验，像是一口锅煮一锅汤。
• 累：需要人一直盯着，手不能停。
• 不标准：如果换个人做，或者同一个人心情不好手抖了一下，结果就不一样了。
  这就导致科学家很难收集到足够多、足够好的数据来教计算机如何预测金属寿命。

2. MAP-E 是什么？：八臂机器人厨师

为了解决这个问题，作者们造了一个叫 MAP-E 的机器。

• 八条手臂：它不像传统机器那样一次只测一个，它有 8 个独立的“测试厨房”（电化学电池）。这意味着它可以同时做 8 个实验，效率直接翻了 8 倍！
• 全自动：一旦你把金属样品和化学药水放进去，剩下的事情（倒水、搅拌、通电、测量、清洗）全由机器人自己搞定。科学家只需要在旁边看着，就像看着自动驾驶汽车在跑一样。
• 精准度：它非常听话，不会像人类那样手抖。论文证明，它的测试结果非常稳定，甚至比人类专家之间的差异还要小得多。

3. 它是怎么工作的？：聪明的“猜谜游戏”

这个系统最厉害的地方不仅仅是“快”，而是它很聪明。它不仅仅是在盲目地做实验，而是在玩一个高明的“猜谜游戏”。

• 传统做法：像查字典一样，把 pH 值（酸碱度）和氯离子浓度（盐度）的所有组合都试一遍。这太慢了，而且很多组合其实没必要测。
• MAP-E 的做法：它先试几个点，然后利用人工智能（机器学习）来预测：“嘿，我觉得在这个区域，金属最容易生锈，但我还不太确定，让我去那里多测几个点看看！”
• 不确定性驱动：这就好比你在画一张藏宝图。如果你知道宝藏肯定在某个大区域，但不知道具体在哪，你会先测那个区域里最模糊的地方，而不是去测那些你早就知道没宝藏的角落。MAP-E 就是这样，它专门去测那些它最拿不准的地方，用最少的实验次数，画出最精准的“腐蚀地图”。

4. 成果：一张全新的“腐蚀地图”

在这个实验中，MAP-E 用 304 不锈钢（一种常见的不锈钢）做测试，自动画出了一张pH 值 - 氯离子浓度稳定性图。

• 发现了什么：它告诉我们要想不锈钢不生锈，最好待在“低盐、中等酸性”的环境里。如果盐太多或者太酸，它就容易生锈。
• 为什么重要：以前这种图是科学家一点点手画出来的，很粗糙。现在 MAP-E 自己画出来的图，不仅细节丰富，还标出了哪里是“确定的”，哪里是“还有疑问的”。

5. 总结：未来的材料科学

这篇论文的核心思想就是：把科学家从繁琐的重复劳动中解放出来，让他们去设计实验，而让机器去执行和探索。

• 以前：科学家像是一个个在泥地里挖坑找矿的人，又累又慢。
• 现在：有了 MAP-E，科学家变成了指挥官，指挥一群不知疲倦的机器人去探索未知的世界。

这不仅能让新材料研发得更快，还能帮我们要设计出更耐用、更安全的桥梁、汽车和能源设备，防止它们因为生锈而突然“罢工”。这就好比给未来的工业世界装上了一个24 小时不间断的“防腐蚀雷达”。

技术摘要

这是一份关于《电化学材料加速平台（MAP-E）：一个自主电化学平台》的论文详细技术总结。

1. 研究背景与问题 (Problem)

金属和合金的腐蚀是基础设施、交通和能源系统安全与可靠性的重大挑战。传统的腐蚀测试存在以下局限性：

• 效率低下：测试过程缓慢且劳动密集型，严重依赖人工操作。
• 可重复性差：结果对操作者的技术和实验细节高度敏感，导致难以生成大规模、高质量的数据集。
• 数据驱动研究的瓶颈：由于缺乏覆盖广泛参数空间的高质量数据，难以建立材料属性、环境与降解机制之间的预测性关系。
• 现有自动化平台的不足：现有的高通量（HT）电化学平台通常面临“速度”与“保真度”的权衡。要么为了并行化牺牲了实验 fidelity（如使用共享电解液、简化电极配置），要么为了保真度而采用串行操作，导致探索速度受限。目前缺乏一个既能进行并行测量，又能保持传统电池几何结构、电解液体积和标准电极配置的平台。

2. 方法论 (Methodology)

为了解决上述问题，研究团队开发了电化学材料加速平台（MAP-E），这是一个集成了机器人液体处理、样品转移和多通道恒电位控制的自主高通量系统。

2.1 硬件架构

MAP-E 由四个主要子系统组成，支持 8 个独立寻址的电化学电池并行工作：

1. 电化学电池阵列：8 个定制的扁平电池，每个电池包含铂网对电极和 1 cm²的样品暴露窗口（使用 Viton O 型圈密封），电解液体积为 25 mL，符合 ASTM G31 标准。
2. 龙门架系统（Gantry System）：基于改装的 3D 打印机构建，负责将样品从样品架转移到电池，以及将参比电极（Ag/AgCl）从存储区移入电池。
3. 液体处理系统：包含 10 个计量泵和一个中央混合罐（内置 pH 计和磁力搅拌器）。8 个泵用于向各电池输送电解液或排废，2 个泵用于填充混合罐。
4. 恒电位仪：Bio-Logic VMP-3 多通道恒电位仪，通过定制的分线盒独立控制 8 个电池。

2.2 控制软件

软件采用模块化三层架构：

• 应用服务器：管理实验请求、数据收集与存储。
• 实验执行引擎：实时调度硬件子系统，将实验步骤（如样品转移、注液、电化学测试）动态分配给可用资源，支持完全并发操作。
• 仪器驱动库：提供硬件（泵、执行器、恒电位仪通道）的统一软件接口。

2.3 自适应实验框架 (Adaptive Experimentation)

为了构建信息丰富的稳定性图，系统采用了闭环自适应策略：

• 数据采集：自动执行动电位极化（PP）测试，通过 Python 管道自动提取腐蚀电位（$E_{corr}$）和点蚀电位（$E_{pit}$）。
• 代理模型：使用**高斯过程（Gaussian Process, GP）**回归模型作为代理模型，预测设计空间内的$E_{pit}$。模型采用缩放 Matérn 协方差核和异方差似然函数。
• 不确定性驱动采样：利用基于不确定性的采集函数（Acquisition Function），优先选择模型预测方差最大（即不确定性最高）的区域进行下一轮实验。这使得系统能在有限的实验预算下，高效地探索设计空间并减少冗余实验。

3. 关键贡献 (Key Contributions)

1. 首个并行高保真自主电化学平台：MAP-E 实现了 8 通道并行测试，同时保持了传统电化学测试的几何形状和电解液体积，解决了现有平台在速度与保真度之间的权衡问题。
2. 闭环自主工作流：实现了从样品加载、电解液配制、测试执行、数据分析到下一轮实验条件选择的完全自动化，无需人工干预。
3. 数据驱动的材料探索：成功将机器学习（高斯过程）与自动化硬件结合，用于自主构建腐蚀稳定性图（Stability Diagrams）。

4. 实验结果 (Results)

4.1 验证研究 (ASTM G61 类比测试)

• 实验设置：在 32 个 304 不锈钢样品上进行了动电位极化测试（模拟 ASTM G61 标准，但在有氧条件下进行）。
• 可重复性：
  • 32 次测量的平均点蚀电位（$E_{pit}$）为 402 mV，标准差为 76 mV。
  • 该标准差约为 ASTM G61 报告的实验室间标准差（约 300 mV）的 1/4。
  • 单个电池内的重复性标准差通常小于 40 mV。
• 结论：MAP-E 生成的数据具有高度的可重复性和精确性，数据质量足以支持严格的统计分析。$E_{pit}$ 略高于标准值是由于有氧环境促进了钝化膜稳定，但这不影响平台的可靠性。

4.2 自主构建稳定性图

• 实验设计：针对 304 不锈钢，在 pH (3-10.5) 和氯离子浓度 (0-0.1 mol/L) 的二维空间中进行探索。
• 过程：
  • 初始使用拉丁超立方采样（LHS）选择 4 个条件（含重复）。
  • 随后利用不确定性驱动策略，自主选择了 48 个额外样本（共 80 个独特条件）。
• 发现：
  • 成功生成了 304 不锈钢的 pH-Cl⁻稳定性图。
  • 趋势：高氯浓度和酸性条件导致点蚀敏感性增加（$E_{pit}$降低）。
  • 相变区：在 0.01-0.04 mol/L 氯离子浓度之间观察到一个过渡区。
  • 低氯区行为：在低氯浓度下，$E_{pit}$随 pH 增加呈线性下降（斜率约 62 mV/pH），与能斯特方程（Nernstian shift）预测一致，表明此时腐蚀行为主要受电化学电位标度控制，而非局部腐蚀化学。
• 效率：相比传统顺序方法，MAP-E 通过并行运行和自适应采样，显著减少了实验时间和操作者参与，同时捕捉到了关键的腐蚀行为转变。

5. 意义与影响 (Significance)

• 加速材料发现：MAP-E 为腐蚀科学提供了一个可扩展的框架，能够生成大规模、标准化的数据集，加速合金设计和耐久性评估。
• 数据驱动决策：通过生成高质量的实验数据，支持机器学习模型训练，从而建立材料性能与环境之间的预测关系。
• 通用性：虽然本研究聚焦于腐蚀，但该平台架构具有通用性，可应用于其他电化学领域的探索（如电池材料、电催化等）。
• 社区协作：标准化的数据生成流程有助于不同研究团队共享数据，促进整个电化学领域的协作创新。

总结：MAP-E 通过结合先进的机器人硬件、模块化控制软件和自适应机器学习算法，成功解决了腐蚀测试中效率低、数据质量差的问题，实现了从“人工实验”向“自主数据驱动发现”的范式转变。