研发新材料往往感觉就像在草堆中寻找一根针，但这个草堆是由看不见的、不断变化的温度和化学混合物构成的云团。那些逐层构建物质薄膜的科学家们面临着一项艰巨的任务：他们必须在一个广阔的可能性景观中穿行，以寻找那组能创造出高质量材料的唯一且完美的条件组合。几十年来，这种探索一直依赖于人类的直觉，研究人员一次只调整一个参数，希望偶然撞到正确的地点。这种试错法既缓慢又昂贵，而且当材料变得复杂时往往会失败，因为完美的条件可能只是被一片失败之海包围着的、一个微小而尖锐的峰值。现在，一组研究人员引入了一种更聪明的探索方式，使用一种能够边学边走的计算机程序，将长达数年的搜索缩短到了几天之内。
故事的核心材料是一种被称为 Fe3Sn 的特定金属化合物，它在先进磁传感器和未来计算技术领域具有前景。为了制造这种材料，科学家们使用一种称为分子束外延的技术，即在真空室中加热纯元素，让它们漂移到热表面上形成晶体。这个过程极其敏感：如果表面太热，原子会飞走；如果太冷，原子则会错误地聚集在一起。此外，铁与锡原子的比例必须恰到好处，否则材料会形成另一种毫无用处的物质。过去，寻找这类难以捉摸的材料的正确设置需要进行数十次实验，每一次实验都需要数小时的准备和分析工作。研究人员想知道机器是否能比人类更快地学会找到完美的设置，但他们遇到了一个问题：用于这项工作的标准计算机工具假设世界是平滑变化的，就像一座平缓的山丘。然而，这些复杂材料的世界充满了突然的悬崖和锋利的边缘，温度的微小变化就会导致材料完全失效。
为了解决这个问题，研究人员构建了一种新的学习系统，它不假设景观是平滑的。他们从大约十七次先前实验的小型数据集中开始，这为他们提供了一张关于材料成功与失败区域的粗略地图。他们没有使用传统的平滑算法，而是采用了一种类似于决策树森林的方法，这种技术非常擅长捕捉尖锐的边界和突然的变化。这个计算机模型观察数据后意识到，最重要的因素不是原子的精确混合比例，而是表面的温度和起始材料的质量。模型预测存在一个特定的成功“高原”——即一个温度和原子比例的范围，在此范围内材料可以完美生长，而周围则是失败区域。
随后，团队让计算机接管了方向盘。在一个闭环系统中，机器选择下一组要测试的条件，机器人生长薄膜，然后对薄膜进行分析以查看其效果如何。结果被反馈给计算机，计算机更新其地图并选择下一次最佳实验。令人瞩目的是，该系统不仅仅是在猜测，它在学习。在经过计算机引导的仅仅四次新实验后，其预测的准确性就翻了一番，将误差缩小到了约百分之十。机器成功识别出了材料良好生长的狭窄窗口，这项任务如果交给人类研究员，可能需要尝试更多次才能完成。计算机还揭示了一个令人惊讶的事实：一旦温度设置正确，材料对于原子混合比例的小幅变化表现出了惊人的宽容度，而这是一个人类直觉可能会忽略的细节。
这项工作表明，机器现在可以无需人类指导，就能在复杂材料合成的险峻、高风险地形中穿行。通过用一个理解尖锐边缘和突然转变的系统取代旧有的、听起来平滑的模型，研究人员展示了即使对于最困难的量子材料，自主发现也是可能的。其结果是为通往这样的实验室铺平了道路：在那里，机器人可以自主设计、构建并测试新材料，从而让科学家能够专注于这些材料能做什么的大问题，而不是耗费在寻找正确制作设置的繁琐工作中。
技术摘要：复杂量子材料的活性学习分子束外延技术
问题陈述
通过分子束外延（MBE）合成复杂量子材料需要应对高维、非平衡的热力学相空间。与体相合成不同，MBE 受精细控制参数（如衬底温度、化学计量比）的支配，这些参数决定了表面动力学和化学性质。传统的优化方法依赖于人工进行的单变量参数扫描，这既耗时又过度依赖研究者的直觉。虽然机器学习（ML）和贝叶斯优化（BO）已被应用于薄膜生长，但现有方法主要利用连续代理模型（如高斯过程回归），这类模型假设参数景观是平滑的。这些模型难以捕捉二元量子材料（如亚稳态线化合物）固有的突发晶体相边界和狭窄生长窗口。因此，在需要处理存在竞争性次生相且人工优化困难的复杂二元化合物的高维约束相空间时，活性学习是否能有效进行导航，仍然是一个悬而未决的问题。
方法论
作者提出了一种基于序列模型优化（SMBO）的活性学习（AL）协议，旨在实现拓扑 Weyl 铁磁体 Fe3Sn 的闭环 MBE 生长。该框架通过以下组件解决了标准连续模型的局限性：
- 代理模型： 作者没有采用高斯过程回归（GPR），而是采用了随机森林（RF）代理模型。选择 RF 是因为其层次化的空间划分架构能够自然地捕捉高度非线性的关系、剧烈的相变和不连续性，而不假设底层拓扑是平滑的。这对于模拟 Fe3Sn 突发的热力学边界至关重要。
- 采集函数： 系统利用期望改进（EI）函数来平衡探索与开发。RF 模型通过决策树的方差提供预测均值（开发）和预测不确定性度量（探索）。
- 特征工程与评分：
- 输入： Fe 与 Sn 的束流比例、衬底加热器功率（用作温度的代理值以避免校准误差）以及生长前 Pt(111) 缓冲层的质量（通过原位 RHEED 提取）。
- 目标： 一个范围为 0–100 的“整体加权得分”（STotal），该得分是三个自动化指标的加权和：RHEED 表面形貌（权重 50%）、EDS 化学计量比（权重 25%）和 XRD 体相结晶度（权重 25%）。
- 自动化： 算法自动从 XRD（Fe3Sn(0002) 峰的半高全宽 FWHM）和 RHEED（用于面内结晶度的水平 FWHM、用于 3D 岛状生长的垂直强度方差以及用于织构度的中心条纹宽度）中提取标量指标。
- 工作流： 循环从 17 次历史生长迭代的稀疏数据集开始。SMBO 框架随后迭代训练 RF 模型，最大化 EI 函数以提出下一个实验条件，执行生长，并将新的表征数据反馈以重新训练模型。
关键结果
- 模型性能： 在针对 17 次迭代的稀疏数据集进行对比时，RF 模型表现出优于 GPR 的能力，能够更好地映射底层热力学拓扑。GPR 表现出“核崩溃（kernel collapse）”现象，即抹平了突发边界并趋向于全局均值，而 RF 模型则准确捕捉到了非线性生长景观和剧烈的相变。
- 优化景观： SMBO 框架识别出了一个位于灯丝功率约为 3.6 W 且 Fe:Sn 束流比约为 0.8 附近的鲁棒“成功平台”。该平台跨越约 30 K 的温度范围，表明高质量的 Fe3Sn 薄膜对该窗口内的微小波动具有鲁棒性。
- 特征重要性： RF 模型自主识别出衬底灯丝功率（温度）和初始衬底质量是影响薄膜质量的主导因素（重要性评分分别为
0.41 和 ~0.37），其影响力超过了 Fe/Sn 束流比（0.22）。这表明一旦确立了最佳窗口，精确的温度控制和衬底制备比微调束流比更为关键。
- 收敛性： 从初始的 17 次迭代开始，活性学习循环仅需 4 次额外迭代（运行 18–21）即可收敛。绝对预测误差从初始的峰值（运行 18，>20.0）减半至约 10%（运行 21，9.9）。初始误差峰值归因于 EI 函数刻意探测高不确定性区域以绘制未知的边界，这是实现全局优化的必要步骤。
意义与主张
本文声称展示了一种数据高效的框架，能够实现功能性量子材料的自主发现与合成。通过使用随机森林架构取代标准的连续代理模型，作者成功地在仅 21 次总迭代内，完成了对复杂、受限的热力学相空间（即亚稳态线化合物 Fe3Sn）的导航。这与以往在复杂材料（如钙钛矿氧化物）上应用 BO 的做法形成对比，后者通常需要 24–44 次迭代。
作者将这项工作定位为迈向完全自主 MBE 实验室的关键一步。他们认为，基于 RF 的 SMBO 方法克服了传统 BO 的“平滑假设”局限性，使其适用于具有窄生长窗口和竞争相的材料。虽然目前的协议实现了优化和决策的自动化，但作者指出，下一步的逻辑环节是将该流程与自动蒸发源控制和机器人样品处理进行物理集成，从而创建“自驱动”的 MBE 实验室。本研究并不声称已经解决了自主合成的所有挑战，但为减少人类在复杂量子材料优化过程中的干预建立了稳健的方法论基础。
每周获取最佳 materials science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。