https://www.nature.com/articles/s41586-023-06734-w

1. 文章标题

• 英文原文标题： An autonomous laboratory for the accelerated synthesis of inorganic materials

• 中文翻译： 一种用于加速无机材料合成的自主实验室

2. 文章要解决的问题与解决方法

核心问题

如何解决计算筛选新材料与实验实现新材料之间的速率鸿沟。理论上，基于密度泛函理论等计算方法可以快速预测成千上万种有潜力的新材料，但这些预测需要通过复杂的固态化学实验来验证。传统实验方法依赖于研究人员的经验，过程缓慢、耗时且可重复性有限，成为新材料发现的主要瓶颈。

核心解决方法：A-Lab 自主实验室系统

文章提出并构建了一个名为 A-Lab​ 的闭环自主实验平台。该系统不是一个简单的自动化设备，而是一个集成了计算、机器学习、数据库和机器人技术的智能决策系统，具备“自主思考、自主设计、自主执行、自主分析、自主优化”的能力。

A-Lab 的工作流程与关键模块（硬件与软件的结合）：

1. 目标筛选与规划：

   • 问题：从海量的计算预测中，选择具有高成功合成潜力且安全的材料进行实验。

   • 解决方法：

     • 输入：从“材料项目”和Google DeepMind的计算数据库中，筛选出在热力学上稳定（或亚稳态）、不含有害或放射性元素、且预测在空气中稳定的无机材料作为候选目标。

     • 方法：通过计算每个化合物在空气中的形成能，排除会与O₂、CO₂、H₂O反应的候选物，确保实验安全性与成功率。

2. 实验方案生成：

   • 问题：在没有现成合成配方的情况下，如何为新材料生成初始合成方案？

   • 解决方法：运用基于文献的机器学习模型。

     • 配方推荐：通过训练在大量文献数据上的自然语言处理模型，学习材料之间的“相似性”，为新目标材料推荐与其最相似的已知材料的合成前驱体。

     • 温度预测：通过另一个回归模型，基于目标材料、前驱体物性（如熔点、形成焓）和热力学驱动力，预测最优合成温度。

3. 机器人化合成与表征：

   • 问题：如何精确、可靠、无人干预地执行复杂的粉末固态合成流程？

   • 解决方法：构建一个由三个集成工作站组成的物理平台，由机械臂和中央控制系统协调。

     • 前驱体制备站：自动称量、添加溶剂、球磨混合、转移浆料、烘干。

     • 加热站：机械臂自动将坩埚装入箱式炉，控制升降温程序（例如，先以2°C/min升至300°C以防止磷酸铵前驱体挥发，再以15°C/min升至目标温度，恒温4小时）。

     • 产物处理与表征站：自动从炉中取出样品，加入球磨珠进行二次研磨，制样，并使用X射线衍射仪（XRD）进行物相分析。

4. 数据智能分析与决策：

   • 问题：如何自动解读XRD图谱，并判断实验成败？如果失败，下一步怎么做？

   • 解决方法：

     • 自动XRD分析：使用概率深度学习模型（卷积神经网络CNN）来自动识别XRD图谱中的物相，并估算其重量分数。通过自动Rietveld精修进行验证。

     • 主动学习优化：如果首次实验未获得高纯度的目标产物（目标产率<50%），系统启动ARROWS3算法。该算法基于观察到的副反应，重新规划反应路径，避开会形成“低驱动力”中间产物的前驱体组合，选择热力学驱动力最大的反应路径，提出新的合成方案进行下一轮实验，形成“决策-执行-分析-再决策”的闭环。

3. 结论

• 高成功率：在17天的连续、无人值守闭环运行中，A-Lab对57个目标材料进行了353次实验，成功合成了36个，成功率达63%。

• 效率飞跃：这相当于每天成功合成超过2个新材料，极大地加速了实验验证过程，为解决计算-实验鸿沟提供了可行方案。

• 方法验证：该成果证明了人工智能驱动的自主实验平台在无机材料合成中的有效性。其关键在于将计算数据库、历史文献知识、机器学习、机器人技术和闭环决策深度融合，形成了具有“领域专业知识”的自主研究代理。

• 反馈价值：对失败的17个目标的分析，揭示了反应动力学缓慢、前驱体挥发、产物非晶化、以及计算本身不准确等“失败模式”，为改进计算方法（如DFT）和实验设计提供了直接的、有价值的反馈。通过人工介入（如二次研磨、提高温度）可解决部分动力学问题，将成功率提升至67%；通过修正计算误差，理论上成功率可达70%。

• 范式变革：这项研究展示了“专家系统”的潜力，其自主性源于自动化组件的总和，为材料科学乃至更广泛的实验科学领域，向“自主发现”方向演进指明了道路。