Synthesizing like a chemist: an iterative, feedback-driven loop for materials discovery
本文提出了一种整合了大语言模型、高通量高光谱成像以及多目标贝叶斯优化的闭环框架，旨在实现新材料迭代合成与发现的自动化与加速，并通过成功制备出此前从未报道过的类钙钛矿型 Rb3BiI6 薄膜证明了该框架的有效性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
寻找新材料的过程常被想象成一场与时间的赛跑，科学家们利用强大的计算机来预测哪些原子组合可能会创造出更好的电池、更快的太阳能电池或更高效的电子设备。多年来，这种计算方法在生成大量具有前景的候选名单方面取得了显著成功。然而，一个明显的瓶颈已经出现：虽然计算机一天可以提出数千种新化合物，但在实验室中实际制造这些物质的过程仍然缓慢、困难，且高度依赖于人类的直觉。将数字预测转化为真实的、可工作的材料，需要化学家去混合化学物质、加热并观察结果，这个过程往往涉及反复的试错。如果第一次尝试失败了，科学家必须猜测需要修改什么，再次尝试，并重复这个循环，直到材料达到预期性能。这种计算机预测能力与人类构建能力之间的差距减缓了发现的速度，使得许多理论上完美的材料仅仅停留在屏幕之上。
麻省理工学院和丰田研究院的研究团队开发了一种新方法来弥补这一差距，即通过自动化人类专家用于完善工作的过程。他们并没有将创造新材料视为单一的“猜想与检查”事件，而是构建了一个模仿资深化学家迭代式、反馈驱动型循环的系统。该系统结合了三种截然不同的能力：一个能够阅读科学文献以了解过往成功经验的大型语言模型；一个能在数秒内评估新薄膜质量的高速摄像系统；以及一个能够根据这些结果决定下一步尝试什么的智能算法。通过将人类知识直接置入这个自动化循环中，研究人员创建了一个不仅是遵循僵化指令，而且能像人类研究员一样在工作中学习和适应的机器。
为了测试这一框架，团队选择了一个特定的挑战：制造一种名为 的化合物薄膜，这种材料的设计灵感来自钙钛矿结构，但此前从未在实验室中被成功合成过。由于从未有人制造过它，因此不存在现成的配方可以遵循。研究人员设置了两组平行实验，以观察其新系统与标准方法的对比。第一种方法使用了被称为“拉丁超立方采样”的传统技术，这是一种常见的实验起始方式，通过在广泛的可能性范围内随机选取条件，本质上是在没有任何先验知识的情况下进行大范围搜索。第二种方法使用了他们的系统，该系统首先要求大型语言模型阅读数千篇关于类似材料的科学论文。模型提炼了这些信息，提出了一个更窄、更有针对性的初始条件集，有效地基于科学界的集体智慧为实验提供了领先优势。
一旦实验开始，效率的差异便显现出来。由语言模型引导的系统所生成的样本从一开始就比随机方法产生的样本质量更高。它生产出的薄膜更加均匀，且在第一批试验中就表现出更少的杂质。随着实验的进行，系统使用高通量高光谱成像相机来评估薄膜。该相机就像一只“超级眼睛”，能够同时扫描薄膜的整个表面并捕捉其视觉外观和光反射特性。在几分钟内，系统就能分析薄膜上的数万个微小点，以确定其对玻璃的覆盖程度、表面的均匀性以及是否由正确的化学相组成。这种快速反馈使算法能够立即调整其下一组指令，将其重点缩小到效果最好的条件上。
相比之下，传统的这种从较宽泛且缺乏信息的搜索开始的方法，需要更多次的尝试才能找到高质量样本。新系统不仅更快地找到了更好的结果，而且在整个优化过程中始终保持着这一优势。在实验结束时，由语言引导的方法识别出了显著更多的成功样本，并且在相同的实验次数下达到了更高的整体薄膜质量。研究人员通过使用包括 X 射线衍射在内的标准实验室工具对最终薄膜进行了验证，证实了该材料确实形成了预期的晶体结构。薄膜的光学特性符合理论预测，这表明自动化系统已成功引导复杂的化学路径，创造出了一种此前仅存在于计算机构想中的新材料。
这项工作表明，材料发现的瓶颈不仅在于缺乏计算能力或缺乏智能算法，而在于如何将人类的专业知识转化为机器可以使用的格式。通过将化学家的隐性知识（这些知识通常是无法通过文字记录、需通过多年经验习得的）整合进自动化循环中，研究人员证明了机器可以更有效地合成材料。该系统并非取代科学家，而是增强了他们探索新可能性的能力，将缓慢的手动精炼过程转变为快速、持续的学习循环。虽然本研究中测试的具体材料只是一个例子，但该策略为加速无数其他无机材料的发现提供了一条通用路径，有望改变这些新技术从理论领域走向物理世界的进程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。