半自主实验室机器人推动探索物质世界

ARGONNE NATIONAL LABORATORY

据悉，现阶段研究人员迫切需要新材料来制造用于可持续能源的更好的组件。核聚变和量子计算等技术需要的是能够耐受高水平辐射或支持量子计算，同时安全、经济高效和可持续的材料。但这些材料还不存在，研发它们是一项艰巨的任务，需要合成和测试大量假设的材料。

麻省理工学院核科学教授Mingda Li在电子邮件中写道：“发现的材料只是假设材料中的一小部分，就像海洋中的一滴水。”

研究人员越来越多地使用self-driving lab来帮助这一发现过程，这是一个将先进的机器人技术与机器学习软件相结合的实验室系统，可以自主运行实验。

例如，劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）的A-Lab上个月刚刚开始运营，旨在寻找有助于制造更好的太阳能电池、燃料电池和热电技术的新型材料。（该实验室表示，其名称中的“A”故意打造一种模棱两可的感觉，可代表着自主、人工智能、抽象和加速。）

另一个最近成立的名为Polybot的实验室位于伊利诺伊州莱蒙特的阿贡国家实验室（Argonne National Laboratory），其运营时间比A-Lab稍长。它致力于在实验室自主性的阶梯上向自己的材料科学探索攀升。Polybot由化学分析设备、运行机器学习软件的计算机和三个机器人组成。有一个运行化学反应的合成机器人，一个提炼反应产物的加工机器人，还有一个带机械臂的轮式机器人，可以在工作站之间运送样本。机器人使用Python编程，并在实验中执行所有手动任务，如加载样本和收集数据。

从实验中收集的数据随后被发送到机器学习软件进行分析。该软件分析结果，并为下一组实验提出改变建议，例如调整温度、试剂量或反应时间。在没有人为干预的情况下完成这一切的能力使self-driving lab成为一个“闭环”系统，Polybot于去年6月实现了这一目标。

Argonne科学家Jie Xu于2019年开始规划Polybot，她表示，她希望self-driving lab成为一种“普遍适用且可重新配置”的资源，这样各行各业的研究人员都可以利用它。Jie Xu和其他Argonne科学家已经使用Polybot研究了电子聚合物，这是一种可以导电的塑料。我们的希望是创造出聚合物，能够制造出更好、更可持续的技术，比如太阳能电池和生物传感器。

Xu估计，在用尽所有可能的合成目标电子聚合物的方法之前，他们必须尝试50万次不同的实验。Xu说，self-driving lab不可能尝试所有这些，更不用说人类研究人员了，他们在两年内只能产生大约10molecules。

Xu说，self-driving labs有助于从两个方向加快合成新材料的过程。一种是使用机器人：机器人可以比人类更快地进行假设材料的合成和分析，因为机器人可以持续运行。另一种方法是使用机器学习来确定调整哪些参数的优先级，这些参数最有可能在下一次实验中产生更好的结果。Xu说，良好的优先顺序很重要，因为温度和试剂数量等可调实验参数的数量之多可能会让人望而生畏。

self-driving labs还提供了生成大量实验数据的优势。这些数据很有价值，因为机器学习算法需要在大量数据上进行训练才能产生有用的结果。单个实验室无法单独生成如此大的数据，因此一些实验室已经开始将他们的数据与其他研究人员的数据进行汇总。

LBNL的A-Lab还定期向材料项目提供数据，该项目汇集了世界各地材料科学研究人员的数据。Milad Abolhasani在北卡罗来纳州立大学的实验室研究self-driving labs，他表示，扩大开放访问数据共享对该类型实验室的成功至关重要。但有效地共享数据需要对实验室数据的格式和报告方式进行标准化。

Abolhasani估计，世界上只有少数真正的self-driving labs能够在没有人为干预和频繁故障的情况下连续运行。他说，这个数字可能很快就会增加，因为美国的每个国家实验室都在致力于建造该款实验室。

不过，这仍然存在着巨大的准入障碍。专用机器人和实验室环境成本高昂，需要数年时间才能建立所需的基础设施并将机器人系统与现有实验室设备集成。每次进行新的实验时，研究人员可能会发现他们还必须对系统进行进一步的定制。

Xu在Argonne的同事Henry Chan表示，他们最终希望Polybot的机器学习能力不仅仅是优化实验。他想利用该系统进行发现，创造全新的材料，例如具有新分子结构的聚合物。

发现要困难得多，因为它需要机器学习算法从几乎无限数量的起点中决定首先从哪里开始。

Chan说：“对于优化，你仍然可以划定空间，但对于发现，空间是无限的。因为可能存在着不同的结构，不同的成分，不同的加工方式。”

但A-Lab的研究结果表明，这是可能的。当实验室于今年早些时候开放时，研究人员试图通过对材料项目数据库中的数据运行机器学习算法来合成全新的材料。self-driving lab的表现好于预期，70%的时间都取得了有希望的结果。

A-Lab的首席研究员Gerd Ceder写道：“我们最多只预期了30%左右的成功率。”