自驅動實驗系統會自己“種”材料

美國芝加哥大學普利茲克分子工程學院團隊開發出一套自驅動實驗系統。它會自己“種”材料，可以自主完成整個材料合成與優化流程，無需人工持續干預。該系統結合機器人自動化與機器學習算法，可自主決定下一步實驗方案，實現從實驗執行、性能測量到結果分析的全閉環運行。這種方法有望廣泛應用于硬質材料合成領域，并最終拓展至復雜的量子材料制備，預示著一種全新的制造模式問世。

在制造用于電子、光學和量子技術的金屬薄膜時，科學家通常需要耗費數月時間反復調整工藝參數，如溫度、材料成分和反應時間，以期找到最優的制備條件。這一過程依賴大量試錯，進展緩慢。此次新系統實現了全流程自動化：運行實驗、測量結果，并將數據反饋給機器學習模型，由模型指導下一次實驗。

該系統聚焦于物理氣相沉積（PVD）技術，即通過加熱銀等金屬使其蒸發，隨后在基底表面凝結形成超薄薄膜。PVD過程對溫度、時間、材料純度及環境條件極為敏感，微小差異都可能導致結果波動，因此長期以來難以準確預測。傳統方法依賴人工逐次調整參數，每次實驗周期通常耗時一天以上，效率低下。為解決這一問題，團隊從零開始搭建了一套完整的機器人系統，能夠自動完成PVD的全部步驟，包括樣品處理、薄膜制備和性能檢測。

隨后，團隊與計算機科學家合作，開發了專用的機器學習算法指導系統進行合成、分析，并動態調整后續實驗條件。團隊只需輸入所需薄膜的性能指標，機器學習模型便會自主規劃實驗路徑，并逐步逼近目標。為應對實驗中難以避免的隨機擾動，例如基底表面的微小差異或真空室內的微量氣體，系統在每次新實驗開始時，會先制備一層極薄的“校準層”，幫助算法識別當前環境條件，從而提升預測準確性。

為驗證系統性能，團隊設定一個目標——制備具有特定光學特性的銀膜。銀作為一種結構簡單、機理清晰的材料，是理想的測試對象。在實際運行中，該自驅動系統平均僅用2.3次實驗即達成目標。在數十次連續運行中，系統全面探索了不同工藝條件的影響，相當于人類團隊耗時數周才能完成的工作量。

值得一提的是，整套裝置成本比此前商業實驗室開發的同類自動化系統便宜一個數量級。