MIT成果登Nature正刊：90天，「AI科学家」完成3500次电化学测试

---

  新智元报道  

实验材料科学的核心挑战之一是如何在庞大的化学设计空间中进行高效优化。

传统的发现方法往往依赖于单模态的主动学习框架，即利用单一类型的数据，例如元素组成与性能的对映关系。

美国麻省理工学院李巨团队发布的CRESt平台致力于通过自动化实验的方式，采集不同形式的数据，并将其纳入同一主动学习框架，即知识辅助的贝叶斯优化（KABO）。

论文链接：https://www.nature.com/articles/s41586-025-09640-5

机器人系统确保化学成分的精确控制，高通量扫描电子显微镜提供微观结构图像并通过计算机视觉进行分析，而大语言模型则将文献知识嵌入到搜索空间中。

将这些不同的数据源进行向量化处理，并通过主成分分析保留大部分方差信息，使得优化过程更加高效。

优化后的配方随后被映射回元素配比并进行实验测试，从而在材料设计、制备和测试之间形成闭环。

除此之外，另一算法上的创新是提出策略改进约束的贝叶斯优化（BOPIC），其引入拉格朗日乘子动态调整探索 (exploration) 与利用 (exploitation) 的平衡，从而避免手动调参。

CRESt在短短三个月内完成了900多种催化剂化学组成和3500多次电化学测试，并在三元和八元体系中都发现比传统最优的纯钯基有大幅性能提升的化学配方。

除算法改进外，研究人员还直面实验科学中最普遍的问题之一：实验结果的可重复性不足。

尽管使用了机器人，但合成与测试中的不一致性最初导致了数据噪声严重，降低了主动学习的效果。

为解决这一问题，团队长期搜集（拍照、录像）并讨论实验中的不可重复现象，例如热学、电学、磁学、甚至由人根深蒂固的观念造成的实验误差。CRESt 采用了视觉–语言模型（VLMs）来辅助实验，诊断不可重复的来源，并提出纠正措施。

例如，模型发现移液枪尖在微米尺度上的错位可能会使碳纸基底发生偏移，从而导致所有的样品位置出现较大偏差。在另一例中，VLM识别出激光切割的木质样品夹具表面存在炭化痕迹，这导致尺寸变化。

研究人员根据反馈改用不锈钢夹具，显著提高了稳定性和一致性。为系统评估这种诊断能力，研究团队整理了一个基于实验失败案例的小型问答对数据集。

这些例子表明，VLM不仅能够诊断隐藏的错误，还能以科学家易于理解的语言表达出来，从而加快排错过程并减少人工干预。

实验中，团队发现了一种由Pd、Pt、Cu、Au、Ir、Ce、Nb和Cr组成的八元高熵合金催化剂。

与纯钯基准样品相比，该催化剂的单位成本功率密度提高了9.3倍，并且在直接甲酸盐燃料电池中实现了目前最高的性能，仅需以往贵金属负载量的四分之一。

X射线衍射与Rietveld精修分析确认，该优化配方保持了单一的面心立方相，表明合金策略在调节局部配位环境的同时，仍能保持晶体学稳定性。

为了理解性能提升的机理，研究人员将原位X射线吸收光谱（XAS）与密度泛函理论（DFT）计算相结合。

光谱结果显示，钯和铂在反应条件下保持金属态，这一点至关重要，因为它们的氧化物几乎没有催化活性。

掺杂的Nb、Cr和Ce引入了细微的结构扰动，但没有造成明显的晶格畸变，从而在保持结构完整性的同时改变了电子相互作用。

DFT 计算结果表明，高熵合金中钯位点在间接氧化路径上的决定步骤能垒为–0.005 eV，而纯钯为0.706 eV，这意味着其抗一氧化碳中毒能力大幅提升。

投影态密度（PDOS）分析进一步显示，高熵合金中钯的d带中心相对于纯钯明显下移，从而减弱了氢和一氧化碳的吸附强度，促进了脱附过程。

这些理论预测得到了同位素标记和CO剥离实验的验证，实验结果确认了其对表面中毒的更高耐受性。

CRESt的发展表明，将多模态人工智能与自动化机器人平台结合起来，可以使原本无法探索的庞大化学设计空间变得切实可行。通过嵌入先验知识、实现自适应优化，并利用视觉–语言模型诊断实验异常，该平台为加速化学与材料科学的发现提供了一个可推广的蓝图。