Real-time Multi-instrument Autonomous Materials Screening for Discovery of Novel Phase-change Memory Materials

技术摘要：用于发现新型相变存储材料的实时多仪器自主筛选技术

问题陈述
自主实验室（ALs）通过集成自动化执行、数据分析和决策制定，彻底改变了材料发现领域。然而，集成来自多个仪器的多样化、异构数据流仍然是一个显著的瓶颈。目前的自主系统通常运行在单仪器、单属性的闭环模式下，即决策过程在各个表征设备中独立进行。此外，对“合成-工艺-结构-性能”（SPSPR）关系的阐明往往依赖于数据收集完成后的实验后分析，而非在实验进行过程中。这种顺序化的方法无法利用结构属性与功能属性之间的实时相关性，从而减慢了复杂材料（特别是涉及混合相区域和非平衡相的相变存储（PCM）系统）的发现进程。

方法论：多仪器自主发现（MAD）框架
作者提出了多仪器自主发现（MAD）框架，该系统旨在通过以闭环方式结合结构属性映射和功能属性优化，实现并行自主实验（AE）。

• 实验设置： 该框架在 Mn-Sb-Te (MST) 三元薄膜库上进行了演示，该系统此前从未被探索用于 PCM 应用。研究准备了两个成分相同的分布样本：一个经过退火处理处于晶态，用于 X 射线衍射（XRD）；另一个保持在非晶态，用于电学电阻测量。这两个样本分别安装在通过客户端-服务器模型连接到中央服务器的两个仪器（衍射仪和接触式探针台）上。
• 数据融合与建模： MAD 的核心是一个采用共区域化核函数（具体为内在共区域化模型，ICM）的多输出高斯过程（GP）模型。
  • 结构分解： XRD 图谱经过预处理，并使用非负矩阵分解（NMF）分解为七个“端元”成分（代表潜在的元素、二元和三元相）及其对应的丰度。这通过将相识别问题从离散标签转换为连续回归任务，捕捉到了混合相的特征。
  • 联合预测： NMF 衍生的相丰度（7 个输出）和电学电阻测量值（1 个输出）被拼接成一个 8 维数据集。一个具有秩一潜结构的多输出高斯过程被用于在该数据上进行训练，以模拟结构属性与功能属性之间的共享协方差。
• 决策制定： 系统在主动学习循环中针对每项任务使用不同的采集函数：
  • 探索（XRD）： 使用最大不确定性（MU）来最大化关于晶体结构分布的知识。
  • 开发（电阻）： 使用期望改进（EI）来识别具有最大非晶态电阻（$R_{amo}$）的成分，这是 PCM 的关键性能指标。
  • 中央控制器执行联合推理，以捕捉跨属性的相关性，同时为每个仪器的下一个实验点做出独立决策。

关键结果

• 效率与速度： MAD 框架成功识别了具有前景的电学 PCM 材料，并在 25 次闭环迭代内完成了 SPSPR 映射。与传统的网格映射相比，这实现了七倍的加速；与随机采样相比，实现了五倍的加速。整个实时实验（包括相映射和材料优化）在大约 5 小时内完成。
• 准确性： 仅通过约 42 次测量，系统重建的 XRD 图谱与实验数据的余弦相似度达到了 95%。对于材料优化，系统在少于 25 个数据点的情况下收敛至最优成分（最大 $R_{amo}$），且最小遗憾距离（minimum regret distance）收敛至零。
• 材料发现： 研究确定了 Mn$_{28}$Sb$_{52}$Te$_{20}$ 为具有最高非晶电阻的成分，以及 Mn$_{14}$Sb$_{43}$Te$_{43}$ 可产生最大电阻对比度（$\Delta R \approx 5$ 个数量级）。分析表明，三方相 MnSb$_2$Te$_4$（被索引为组分 C0 和 C2）是观察到的相变行为的核心。
• 基准测试： 与独立 GP 和随机采样进行的计算机内（in silico）基准测试表明，共区域化核函数在相映射准确性（通过动态时间规整衡量）和优化收敛性方面均显著优于独立模型。共享的潜空间允许协调学习，防止了简单任务在复杂任务收敛期间出现“闲置”现象。

意义与主张
本文声称，MAD 通过实现并行而非独立的实验运行，为大规模自主设施建立了一种新范式。通过通过共享潜表示集成多模态数据流，该框架能够实现：

1. 实时 SPSPR 阐明： 能够在实验过程中基于结构与功能之间的共享知识进行决策，而不是等待事后分析。
2. 处理混合相： 使用 NMF 衍生的连续丰度，使模型能够捕捉混合相区域和渐变过程中的物理特性，而离散标签法往往会忽略这些特性。
3. 加速发现： 该框架显著减少了探索广阔成分空间所需的时间和资源支出，这在 MST 系统的快速识别新型 PCM 候选材料中得到了证实。

作者将 MAD 定位为未来协同编排的多仪器环境的一个通用且模块化的基础，能够处理异构数据流，以实现更快的收敛和更好的材料协同设计标准。