🔬 mesoscale physics

Autonomous Quantum Transport Measurements of 2D Semiconductors by an AI Agent

本文提出了一种利用 FermiLink 智能体框架驱动的 AI 工作流，用于自主规划、执行并分析二维二硫化钼（MoS2）器件的多日量子输运测量，在确保仪器安全的同时，成功确定了自旋轨道耦合能并绘制了相图。

原作者： Brandon Bauer, Matthew Whalen, Kenji Watanabe, Takashi Taniguchi, John Q. Xiao, Tao E. Li, Wenjin Zhao

发布于 2026-09-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Brandon Bauer, Matthew Whalen, Kenji Watanabe, Takashi Taniguchi, John Q. Xiao, Tao E. Li, Wenjin Zhao

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

在实验室寂静且冰冷的深处，科学家们正在研究那些行为方式迥异于普通物质的材料。这些是量子材料，其中的电子以极其微妙的模式运动，这种模式只能在比深空还要寒冷的温度下被观察到。为了理解它们，研究人员必须引导微小的电流通过微型器件，同时仔细调节磁场和电压。这个过程缓慢、繁琐，且需要极其稳定的操作；一个微小的失误就可能损坏脆弱的样品或昂贵的设备。几十年来，这项工作完全依赖于人类专家，他们需要花费数天或数周的时间来监测仪器、做出瞬时的决策并解释复杂的数据。其目标始终是绘制出这些材料如何导电的图谱，从而揭示那些有朝一日可能驱动新技术的隐藏特性。然而，由于这些实验极其复杂，研究进展往往受限于人类思考和行动的速度。

一种新的方法正在改变这一局面。研究人员引入了一种人工智能代理，它能够从头到尾自主运行这些精密的实验。该系统不仅仅是遵循僵化的脚本；它能够独立地规划、执行并分析长达数天的测量任务。团队在二硫化钼器件上测试了该 AI，这是一种厚度仅为几个纳米的单层原子材料。当这些材料以不同的方式堆叠时，它们的电学性质会发生剧烈变化。在单层状态下，电子的行为会表现为能级分裂；而在双层状态下，电子可以根据施加的电场占据不同的区域。理解这些行为需要跨越许多变量收集海量数据，这对人类来说是一项枯燥的任务，但对于自动化系统而言却是理想的选择。

研究人员构建了一个名为 FermiLink 的框架来引导该 AI。该系统充当了一个安全层，确保 AI 绝不会发出可能损坏脆弱样品或低温仪器的指令。AI 会被赋予一个简单的目标，例如“测量单层器件中的能级分裂”，然后将其分解为一系列逻辑步骤。它会决定施加多少电压、等待数据多久，以及在进入下一步之前如何解释结果。如果测量失败或数据质量较差，AI 会识别出这一点并调整计划，就像人类科学家一样。这种适应能力至关重要，因为现实世界的实验很少能完全按照预测进行。该系统在两种类型的器件上进行了测试：单层二硫化钼和双层器件。

在第一次实验任务中，AI 专注于单层器件，以确定电子两个自旋态之间的能量差。在数天的时间里，该代理执行了一系列测量，首先通过寻找合适的电压范围来开启器件。随后，它施加磁场以产生电阻中的模式，从而揭示底层的量子行为。通过分析这些模式，AI 计算出了由材料内部磁性引起的能级分裂值。它测得该值为 13 毫电子伏特，这一精确的测量结果与人类专家的预期相符。该系统还成功地在过程早期识别出了一个低质量器件，跳过了不必要的步骤，并生成了一份报告，说明无法获得有效数据，这证明了它具备做出判断而非盲目执行指令的能力。

第二次实验任务更为复杂，涉及一个物理机制更加错综复杂的双层器件。在这里，AI 必须绘制出电子在不同电场下如何在上下两层之间分布的图谱。代理首先测量了围绕器件的绝缘层厚度，以校准其计算。随后，它在广泛的电压和磁场范围内进行扫描，以创建材料行为的详细图谱。通过分析电阻的变化，AI 识别出了电子从层间共享切换到锁定在单层中的边界。它成功构建了一个相图，展示了这些转变发生的精确位置，在没有人类指导的情况下，有效地开拓了材料行为的新领域。

这些实验的成功依赖于三个关键的设计选择，这些选择保证了系统的可靠性。首先，AI 被训练为一次只询问一个特定问题，并设有明确的规则来决定何时获得的答案足以推进下一步。其次，系统使用了一个共享内存，使 AI 的不同部分能够记住之前步骤发生的情况，从而确保整个多日期的实验任务保持连贯性。第三，AI 与物理硬件之间通过一个安全层隔开，以防止其犯下诸如施加过高电压之类的危险错误。这种设置使 AI 能够处理这些实验中长期且重复性的工作，同时保证昂贵设备的安全性。

虽然这项工作代表了向前迈出的重要一步，但研究人员也明确了其目前的局限性。AI 尚不能创造全新的实验策略；它仍然依赖人类专家来定义初始目标，并提供测量特定材料的基本规则。该系统擅长执行并调整这些由专家定义的流程，但目前还无法构思自己的科学问题。展望未来，团队设想未来 AI 代理可以从过去的数据和已建立的方法库中学习，从而构建自己的实验计划。在此之前，这个自主代理是一个强大的工具，能够以人类无法比拟的一致性和耐力来运行复杂的、长达数日的量子输运测量，为量子材料领域的快速发现开启了大门。

技术摘要：由 AI 智能体执行的二维半导体自主量子输运测量

问题陈述
量子输运测量对于发现量子材料（如超导体和拓扑绝缘体）中的电子相至关重要。然而，获取和解释这些研究所需的高维数据集（跨越多个栅极电压、磁场和温度）既耗时又需要极高的专业知识。虽然大语言模型（LLM）和 AI 智能体为自动化实验任务提供了潜力，但目前的实现面临着关键障碍。具体而言，量子器件非常脆弱，低温仪器昂贵且精密；不可靠的智能体行为可能会损害这些设备。此外，现有的文献大多报道的是单步或人机协同（human-in-the-loop）的测量过程。由 AI 智能体在无需人工干预的情况下进行的端到端、多步骤量子输运测量仍然处于空白，这主要是由于商业智能体在长时间实验（数小时至数天）中的不稳定性以及缺乏详细的实验工作流决策树。

方法论
作者引入了一种稳健的、由智能体驱动的端到端量子输运测量框架，通过 FermiLink 智能体控制台（FermiLink agent harness） 实现。该方法依赖于三个核心设计原则：

FermiLink 控制台与智能体循环： 该系统将 AI 智能体的决策与直接硬件控制分离。控制台管理实验循环：
- 规划： AI 智能体（使用 Codex 或 Claude Code 等模型）根据特定的科学问题设计详细的参数扫描方案。
- 执行与轮询： 控制台执行测量并在长时间等待期间轮询仪器状态，以防止 AI 智能体因超时或变得不稳定。
- 分析： 完成后，数据和项目记忆将被传递给一个新的分析智能体进行推理和后处理。
- 迭代： 该循环重复进行，每个周期回答一个聚焦的子问题，直到生成一份全面的报告。
假设驱动的智能体技能： 系统利用了“智能体技能（Agent Skills）”库——这些技能是包含领域知识、硬编码控制脚本和源自人类专业知识的后处理逻辑的模板。这些技能通过“干跑”（在现有数据上进行模拟测量）进行迭代优化，以确保在部署到物理设备之前具备稳定性。
硬性安全约束： 为了保护脆弱的二维材料和昂贵的低温设备，硬件访问由冻结的 Python 脚本而非 AI 智能体直接介导。关键安全参数（栅极电压限制、扫描速率、磁场范围和温度限制）被硬编码，禁止智能体修改。

实验活动与结果
该框架通过单层和双层 $MoS_2$ 器件进行了验证，自主实验持续时间长达六天。

单层 $MoS_2$ 实验：
- 目标： 确定导带自旋轨道耦合（SOC）能量，并识别 $K$ 和 $K'$ 谷中的载流子密度分布。
- 流程： 智能体自主执行了一系列步骤：确定导电栅压窗口、进行朗道扇区（Landau fan）测量以识别量子振荡、通过连续磁场扫描验证 FFT 频率，并进行霍尔电阻测量以确定能带简并度。
- 结果： 智能体成功确定了在载流子密度低于 $n \approx 3.4 \times 10^{13} cm^{-2}$ 时下导带被占据，并根据给定的有效质量得出 SOC 分裂能量为 13 meV。
- 鲁棒性测试： 当应用于一个 FFT 峰值不明显的低质量器件时，智能体正确识别了数据不清晰的问题，跳过了后续不必要的步骤，并生成了一份结论为“未接受任何峰值”的报告，表现出类似于专家实验员的行为。
双层 $MoS_2$ 实验：
- 目标： 绘制随载流子密度 ( $n$ ) 和电场 ( $E$ ) 变化的层分辨及谷分辨相图。
- 流程： 智能体首先通过电阻和霍尔测量校准了顶层/底层 hBN 的厚度比及绝对厚度。随后，它在不同磁场下映射了 $n$ 和 $E$ 的 $R_{xx}$ 图谱，以识别层极化（layer-polarized）与层共享（layer-shared）区域之间的边界。最后，它在特定电场下进行朗道扇区测量，根据简并规则（例如， $K$ 谷简并度为 2， $Q$ 谷为 12）分配谷占据情况。
- 结果： 智能体成功构建了区分层极化和层共享区域的相图，并为这些区域分配了具体的谷占据情况。

主要贡献

端到端自主性： 本文展示了第一个执行从初始指令到最终报告的多步骤、多天量子输运测量的 AI 智能体实例。
安全优先架构： FermiLink 控制台引入了 AI “表面”（决策）与“硬件安全层”（执行）之间的关键分离，确保实验失败不会损坏设备。
迭代技能优化： 使用“干跑”来迭代更新智能体技能的方法，为稳定处理复杂、长时间任务的 AI 智能体提供了路径。
可推广框架： 该系统旨在适应除 $MoS_2$ 之外的其他类型实验，代表了向自动驾驶实验室迈进的一步。

意义与主张
作者声称这项工作通过展示 AI 智能体如何可靠地执行复杂的、假设驱动的实验工作流，为量子材料界提供了一个宝贵的资源。论文强调，该框架通过智能体技能的决策树结构，将开放式实验转化为一系列可验证的决策。

然而，作者对当前的自主程度保持了谦逊的态度。他们明确指出，对于新的器件类型，人类专家仍需协作开发稳健的智能体技能。目前的自主性被定义为执行和适配专家定义的流程，而非从第一原理出发独立制定测量策略。本文将此项工作定位为通往未来自动驾驶实验室的基础性一步，在那些实验室中，智能体最终可能会独立构建新技能、提出科学问题并自主寻找新物相。

类似论文