作者 | 論文團(tuán)隊(duì)

編輯 | ScienceAI

近日，美國(guó)麻省理工學(xué)院李巨團(tuán)隊(duì)在國(guó)際頂尖學(xué)術(shù)期刊《Nature》上發(fā)表了題為《A multimodal robotic platform for multi-element electrocatalyst discovery》的研究論文。該工作展示了一種多模態(tài)機(jī)器人平臺(tái) CRESt（Copilot for Real-world Experimental Scientists），通過(guò)將多模態(tài)模型（融合文本知識(shí)、化學(xué)成分以及微觀(guān)結(jié)構(gòu)信息）驅(qū)動(dòng)的材料設(shè)計(jì)與高通量自動(dòng)化實(shí)驗(yàn)相結(jié)合，大幅提升催化劑的研發(fā)速度和質(zhì)量。

論文地址：https://www.nature.com/articles/s41586-025-09640-5

實(shí)驗(yàn)材料科學(xué)的核心挑戰(zhàn)之一是如何在龐大的化學(xué)設(shè)計(jì)空間中進(jìn)行高效優(yōu)化。傳統(tǒng)的發(fā)現(xiàn)方法往往依賴(lài)于單模態(tài)的主動(dòng)學(xué)習(xí)框架，即利用單一類(lèi)型的數(shù)據(jù)，例如元素組成與性能的對(duì)映關(guān)系。

而 CRESt 平臺(tái)致力于通過(guò)自動(dòng)化實(shí)驗(yàn)的方式，采集不同形式的數(shù)據(jù)，并將其納入同一主動(dòng)學(xué)習(xí)框架，即知識(shí)輔助的貝葉斯優(yōu)化（KABO）。機(jī)器人系統(tǒng)確?；瘜W(xué)成分的精確控制，高通量掃描電子顯微鏡提供微觀(guān)結(jié)構(gòu)圖像并通過(guò)計(jì)算機(jī)視覺(jué)進(jìn)行分析，而大語(yǔ)言模型則將文獻(xiàn)知識(shí)嵌入到搜索空間中。將這些不同的數(shù)據(jù)源進(jìn)行向量化處理，并通過(guò)主成分分析保留大部分方差信息，使得優(yōu)化過(guò)程更加高效。優(yōu)化后的配方隨后被映射回元素配比并進(jìn)行實(shí)驗(yàn)測(cè)試，從而在材料設(shè)計(jì)、制備和測(cè)試之間形成閉環(huán)。

除此之外，另一算法上的創(chuàng)新是提出策略改進(jìn)約束的貝葉斯優(yōu)化（BOPIC），其引入拉格朗日乘子動(dòng)態(tài)調(diào)整探索 (exploration) 與利用 (exploitation) 的平衡，從而避免手動(dòng)調(diào)參。CRESt 在短短三個(gè)月內(nèi)完成了 900 多種催化劑化學(xué)組成和 3500 多次電化學(xué)測(cè)試，并在三元和八元體系中都發(fā)現(xiàn)比傳統(tǒng)最優(yōu)的純鈀基有大幅性能提升的化學(xué)配方。

除算法改進(jìn)外，研究人員還直面實(shí)驗(yàn)科學(xué)中最普遍的問(wèn)題之一：實(shí)驗(yàn)結(jié)果的可重復(fù)性不足。盡管使用了機(jī)器人，但合成與測(cè)試中的不一致性最初導(dǎo)致了數(shù)據(jù)噪聲嚴(yán)重，降低了主動(dòng)學(xué)習(xí)的效果。

為解決這一問(wèn)題，團(tuán)隊(duì)長(zhǎng)期搜集（拍照、錄像）并討論實(shí)驗(yàn)中的不可重復(fù)現(xiàn)象，例如熱學(xué)、電學(xué)、磁學(xué)、甚至由人根深蒂固的觀(guān)念造成的實(shí)驗(yàn)誤差。CRESt 采用了視覺(jué)–語(yǔ)言模型（VLMs）來(lái)輔助實(shí)驗(yàn)，診斷不可重復(fù)的來(lái)源，并提出糾正措施。

例如，模型發(fā)現(xiàn)移液槍尖在微米尺度上的錯(cuò)位可能會(huì)使碳紙基底發(fā)生偏移，從而導(dǎo)致所有的樣品位置出現(xiàn)較大偏差。在另一例中，VLM 識(shí)別出激光切割的木質(zhì)樣品夾具表面存在炭化痕跡，這導(dǎo)致尺寸變化。研究人員根據(jù)反饋改用不銹鋼夾具，顯著提高了穩(wěn)定性和一致性。為系統(tǒng)評(píng)估這種診斷能力，研究團(tuán)隊(duì)整理了一個(gè)基于實(shí)驗(yàn)失敗案例的小型問(wèn)答對(duì)數(shù)據(jù)集。這些例子表明，VLM 不僅能夠診斷隱藏的錯(cuò)誤，還能以科學(xué)家易于理解的語(yǔ)言表達(dá)出來(lái)，從而加快排錯(cuò)過(guò)程并減少人工干預(yù)。

實(shí)驗(yàn)中，團(tuán)隊(duì)發(fā)現(xiàn)了一種由 Pd、Pt、Cu、Au、Ir、Ce、Nb 和 Cr 組成的八元高熵合金催化劑。與純鈀基準(zhǔn)樣品相比，該催化劑的單位成本功率密度提高了 9.3 倍，并且在直接甲酸鹽燃料電池中實(shí)現(xiàn)了目前最高的性能，僅需以往貴金屬負(fù)載量的四分之一。X 射線(xiàn)衍射與 Rietveld 精修分析確認(rèn)，該優(yōu)化配方保持了單一的面心立方相，表明合金策略在調(diào)節(jié)局部配位環(huán)境的同時(shí)，仍能保持晶體學(xué)穩(wěn)定性。

為了理解性能提升的機(jī)理，研究人員將原位 X 射線(xiàn)吸收光譜（XAS）與密度泛函理論（DFT）計(jì)算相結(jié)合。光譜結(jié)果顯示，鈀和鉑在反應(yīng)條件下保持金屬態(tài)，這一點(diǎn)至關(guān)重要，因?yàn)樗鼈兊难趸飵缀鯖](méi)有催化活性。摻雜的 Nb、Cr 和 Ce 引入了細(xì)微的結(jié)構(gòu)擾動(dòng)，但沒(méi)有造成明顯的晶格畸變，從而在保持結(jié)構(gòu)完整性的同時(shí)改變了電子相互作用。

DFT 計(jì)算結(jié)果表明，高熵合金中鈀位點(diǎn)在間接氧化路徑上的決定步驟能壘為 –0.005 eV，而純鈀為 0.706 eV，這意味著其抗一氧化碳中毒能力大幅提升。投影態(tài)密度（PDOS）分析進(jìn)一步顯示，高熵合金中鈀的 d 帶中心相對(duì)于純鈀明顯下移，從而減弱了氫和一氧化碳的吸附強(qiáng)度，促進(jìn)了脫附過(guò)程。這些理論預(yù)測(cè)得到了同位素標(biāo)記和 CO 剝離實(shí)驗(yàn)的驗(yàn)證，實(shí)驗(yàn)結(jié)果確認(rèn)了其對(duì)表面中毒的更高耐受性。

CRESt 的發(fā)展表明，將多模態(tài)人工智能與自動(dòng)化機(jī)器人平臺(tái)結(jié)合起來(lái)，可以使原本無(wú)法探索的龐大化學(xué)設(shè)計(jì)空間變得切實(shí)可行。通過(guò)嵌入先驗(yàn)知識(shí)、實(shí)現(xiàn)自適應(yīng)優(yōu)化，并利用視覺(jué)–語(yǔ)言模型診斷實(shí)驗(yàn)異常，該平臺(tái)為加速化學(xué)與材料科學(xué)的發(fā)現(xiàn)提供了一個(gè)可推廣的藍(lán)圖。

https://news.mit.edu/2025/ai-system-learns-many-types-scientific-information-and-runs-experiments-discovering-new-materials-0925