《ACS Central Science》：Accelerated Emergence of Self-Driving Laboratories for Accelerating Materials Discovery
编辑推荐：
这篇综述文章深入探讨了材料科学中自驱实验室（Self-Driving Laboratories， SDLs）这一变革性领域。文章回顾了SDLs的起源与发展，概述了其在碳纳米管、钙钛矿太阳能电池、光催化、固态合成等材料探索中的成功应用与硬件软件平台（如Ada、ARES、A-Lab），并总结了SDL工作流在设计、灵活性、数据管理等方面的挑战。最后，展望了SDL未来将朝着更灵活、易获取、协作化的方向发展，并通过与产业结合加速材料发现的商业化进程。这是一篇关于自动化与人工智能如何重塑材料研发范式的权威前瞻。
自驱实验室（SDLs）在材料科学领域的加速崛起与未来展望
动机
材料发现是技术创新周期中的关键环节。然而，使用传统方法从海量可构想配方中发现有效材料可能需要数十年时间。虽然有多种工具（如高通量实验）可用于制造数百万种不同的材料，但找到真正有效的材料仍然充满挑战。自驱实验室（Self-Driving Laboratories， SDLs）旨在通过结合材料科学、自动化和机器学习来缓解这一材料发现瓶颈。SDLs被设计为执行实验、评估结果，并利用这些信息来规划和执行下一个实验。机器学习算法指导每一轮自动化实验以最大化效率。某些SDL工作流可能是完全自主的，而另一些则可能包含需要人工干预的步骤。
材料科学自驱实验室（SDLs）的起源
SDL的根源可追溯至20世纪中期的实验室自动化，例如Merrifield和Stewart的自动化固相肽合成仪，它简化了一些常规实验。结合了自动化与自主实验规划、执行和分析的闭环SDL工作流出现较晚，其标志性里程碑包括在基因组学和药物发现领域展示了自主工作流的Adam（2009年）和Eve（2015年）。
相较于材料科学，自动化在生物学和化学（例如细胞培养、药物制剂、样品制备、滴定、流动化学）中的应用更为广泛。材料科学与工程进展较慢的部分原因在于材料系统物理和化学多样性带来的挑战，这些系统通常涉及固体、粉末、粘性浆料或多相混合物，更难用机器人操控。此外，许多材料表征技术也难以自动化，或者耗时较长，不太适合加速工作流。这些特点，加上对环境条件（如温度、湿度或氧气暴露）的敏感性，使得开发SDL驱动的材料科学工作流在技术上具有挑战性。
2018年1月，Mission Innovation发布了一份专家报告，呼吁开发能够应对这些挑战的材料科学SDL。作为回应，加拿大政府在2018年6月支持我们与合作者启动了Project Ada（以Ada Lovelace命名），通过该项目，我们构建并展示了一个用于薄膜材料研究的SDL，该系统是自动化、自主且适用于多种材料系统的。我们的项目此后发表了两篇综述文章。第一篇在材料科学的背景下倡导并描述了“灵活自动化”在SDL开发中的应用（“灵活自动化”定义为“使用机器人技术创建可重新配置的自动化实验”的概念）。第二篇描述了有效SDL的特征，并提供了开发策略。在这篇展望中，我们对材料科学全球SDL生态系统如何推动更多发现并加速商业化提供了当代视角。
当前格局与SDL驱动的材料探索总结
过去十年间，材料科学SDL生态系统已显著壮大。文档中以表格形式列举了多个应用于材料科学相关领域的SDL实例，包括：
- •
ARES：由Maruyama团队开发，应用于碳纳米管（2016; 2020; 2025），使用自动化化学气相沉积（CVD）室、拉曼光谱和AI规划器。
- •
Ada：由Berlinguette， Hein， Aspuru-Guzik团队开发，应用于钙钛矿太阳能电池的空穴传输材料（2020）、粘合剂（2023）和钯薄膜（2022; 2023），使用自动化旋涂、喷涂、X射线荧光、电导率探针等硬件和贝叶斯优化、ChemOS软件。
- •
移动机器人化学家：由Cooper团队开发，应用于光催化（2020和2024），使用在常规实验室中工作的移动机器人平台和贝叶斯优化。
- •
无机薄膜SDL：由Hitosugi， Shimizu， Ando团队开发，应用于无机薄膜（2020），使用自动化射频磁控溅射、电导率探针和贝叶斯优化。
- •
BEAR：由Brown， Morgan， Reyes团队开发，应用于增材制造（2020），使用自动化五双挤出熔融沉积建模打印机、天平和万能试验机以及贝叶斯优化。
- •
Otto/Clio：由Whitacre， Viswanathan团队开发，应用于液态电池电解质（2020和2022），使用自动化溶液混合、pH测量、离子电导率测量等硬件和Dragonfly贝叶斯优化软件包。
- •
AMANDA平台 LineOne/SPINBOT：由Brabec， Hauch， Wagner， Zhang团队开发，应用于有机光伏（2021）和钙钛矿光伏（2023），使用自动化液体处理、旋涂、热处理、成像、紫外-可见吸收等硬件和高斯过程回归模型或贝叶斯优化。
- •
A-Lab：由Ceder， Zeng团队开发，应用于固态无机材料合成（2023），使用自动化粉末计量、样品加热和X射线衍射硬件，以及AlabOS软件、概率ML模型、主动学习算法和用于合成预测的LLMs（大语言模型）。
- •
MicroFactory：由Vak团队开发，应用于卷对卷印刷光伏优化（2024），使用自动化卷对卷制造机和表征器以及人工神经网络。
- •
Polybot：由Chan， Xu团队开发，应用于电子聚合物（2025），使用自动化配方、旋涂、加工、可加工性测试、功能测试模块和贝叶斯优化。
下文重点介绍了五个SDL示例，它们展示了跨越不同材料类别、合成方法和应用领域的独特材料科学工作流。
Maruyama及其同事在2016年首次报道了ARES。该SDL将自动化化学气相沉积系统与原位表征相结合，探索单壁碳纳米管的生长参数（温度、压力和气体成分）。相较于传统实验，ARES将通量加速了高达100倍。在超过600次实验系列中，该SDL使用AI规划器（随机森林模型结合遗传算法）学习以目标速率合成纳米管。他们后来使用贝叶斯优化将生长速率相较于种子实验提高了8倍，并报告了首个用于单壁碳纳米管合成的多目标优化活动，其中ARES同时最大化总产率和直径控制。
Berlinguette课题组与Hein和Aspuru-Guzik课题组合作，在2020年报道了Ada，这是首个用于清洁能源材料的SDL。Ada通过探索薄膜成分和加工条件，优化了用于钙钛矿太阳能电池的空穴传输材料的光学和电学性能。后来，我们使用灵活自动化将Ada调整为“AdaCarbon”工作流，用于探索CO2和活性碳电解器的材料和操作参数。我们证明了在电极制造、表征和测试方面，相对于手动方法实现了3倍的自动化工作流加速。我们还使用AdaCarbon探索了一个6变量参数空间，在不到40次实验中提高了反应器产率（定义为CO2利用率和产物形成速率的乘积）。这项工作展示了灵活自动化如何使单个SDL能够重新用于多个清洁能源应用。
Cooper课题组在2020年报道了一个SDL（“移动机器人化学家”）来优化用于析氢的光催化剂效率。该SDL采用移动、自由漫游策略，机器人在不同仪器之间移动，执行液体处理、在线分析和样品处理。该移动机器人化学家在8天内通过执行688次实验，使用批量贝叶斯搜索算法探索了一个10维参数空间。该平台识别出的光催化剂活性比初始配方高6倍。2024年，Cooper课题组将这种方法扩展到两个自主移动机器人协作的工作流，展示了移动机器人平台如何在常规实验室中实现自动化。
2021年，Brabec及其同事报道了AMANDA：一个由多个SDL组成的自主材料和器件应用平台。例如，他们的“LineOne (L1)”SDL制造和表征溶液处理的薄膜器件，最初专注于有机光伏，估计每个工作日可生产216个器件（通过并行处理批次和连续操作可以增加）。后来他们将重点转向钙钛矿材料和器件；他们的SPINBOT SDL探索了与制备钙钛矿器件（在环境空气中）相关的10个参数，并实现了>23%的效率。Brabec及其同事的工作展示了SDL如何加速材料探索和器件性能优化。
Ceder， Zeng及其同事在2023年报道了A-Lab，一个用于无机材料固态合成的SDL。A-Lab整合了计算相稳定性预测、文献衍生的合成知识以及主动学习算法，以设计和解释由机器人工作流执行的实验。在17天的连续运行中，A-Lab尝试了58个氧化物和磷酸盐目标，并在自然语言模型的指导下成功实现了41种新化合物。对不成功合成的分析提供了合成限制的机理洞察，并为改进计算筛选流程提供了实用指导。这项工作展示了将计算与SDL工作流相结合以加速预测材料的实验实现的潜力。
除了这些重点示例，材料SDL社区正在不同的材料系统和应用中利用自动化和机器学习。总的来说，这个社区正在加速实验和探索复杂的参数空间，这些空间使用传统手动工作流进行调查将非常缓慢或不切实际。
与材料科学SDL相关的挑战
我们在此强调设计、构建和使用SDL时出现的常见挑战。
工作流设计
设计SDL时最重要的挑战或许是定义一个合适的研究问题来解决。所选问题必须具有价值，并且该问题必须能够通过具有快速学习周期的自动化工作流来解决。如果该问题对实践者社区没有真正价值，那么SDL就没有价值。如果SDL工作流中的任何单个步骤耗时过长，加速因子就会很低，闭环优化的优势就会丧失。
展望未来，SDL项目应优先考虑解决正确的问题，以及为速度而设计的工作流。关于应该解决哪些问题，我们在此不做规定性建议；这个决定最好留给有创造力的实践者。为了实现速度，我们鼓励实践者采用创造性的策略，例如代理目标（与真实目标相关的更快测量）或多保真度优化（将更快、较低准确度的测量与较慢、较高准确度的测量策略性地整合到工作流中）。这些策略尚未被广泛使用。
工作流灵活性
SDL也需要灵活。围绕狭义定义的目标或固定操作序列构建的工作流可能很快且意外地过时。实践者在设计SDL时应理解，研究重点和实验目标几乎肯定会发生变化。应提前为此演变做好计划。
一个研究小组将投入数年时间和大量资源来构建或采购一个SDL。在此期间，文献将继续增长，研究团队的构成将发生变化，研究人员的兴趣也会演变——因此，原始工作流可能不再与实验室的需求兼容。灵活自动化可以降低这种风险：模块化组件可以被隔离、交换或重新配置，从而能够在不断开整个SDL的情况下修复或调整单个元素。这种适应性既支持长期相关性，也支持在模块故障时进行高效故障排除。
工作流编排
SDL软件将不断演进。编排层将会改变。管理这些更新需要实际的资源。应为它们做好规划。
不要假设新仪器能够无缝集成。许多仪器只提供有限的应用编程接口（APIs），依赖于专有控制软件，或仅暴露受限的低级访问权限。这些限制是结构性的，并非边缘情况，必须在SDL设计中加以预期。
好消息是这种情况正在改善。随着SDL社区的成熟，仪器制造商越来越愿意提供自动化就绪的接口或构建自定义控制层所需的访问权限。同时，研究小组已经开始开发自己的编排软件，包括ChemOS、Ares OS和AlabOS。将任何编排栈扩展到新的SDL仍然需要不小的努力，但开源使得核心组件和实验设计模式得以重用，减少了从零开始重建的需要。
数据管理
应尽早并战略性地投资于数据管理。有效的数据管理为AI驱动的实验规划奠定了基础，算法可以利用丰富、结构化的数据集做出明智的决策并优化工作流。
设计您的SDL，使其自动记录每个实验参数、跟踪模块性能、视频记录每个步骤，并维护每次实验的机器可读记录。SDL应该能够产生比任何人能合理完成的更完整、更精确的实验室笔记本。研究人员利用这些丰富信息的能力需要强大的软件基础设施。
整合、组织和有效可视化此类数据可能很复杂。我们课题组发现交互式仪表板对于数据探索和可视化很有价值。
实验规划
AI驱动的实验规划也带来了挑战。例如，规划算法必须在存在实验噪声的情况下做出决策，这些噪声可能来自样品制备、仪器灵敏度、环境条件或其他因素的微小差异。人类通常可以直观地识别并补偿噪声和异常值，但AI规划器必须量化不确定性。应对这些挑战的方法可以包括使用代理模型（近似实验结果并减少有效探索选定参数空间所需物理实验次数的计算模型）来指导预测和考虑实验噪声，以及使用可解释的AI模型，允许人类验证或调整实验建议。先前的综述、观点和文章提供了关于SDL实验规划（包括挑战、趋势和机遇）的更详细讨论。
SDL的未来将带来更多发现
SDL将更加灵活
建立一个研究小组首个功能性SDL是一项艰巨的任务，需要积累自动化、实验设计、算法规划、数据管理方面的内部专业知识或合作者专业知识，以及精心选择适合SDL探索的科学问题。一旦具备了这种基础能力，利用灵活自动化的SDL可以相对轻松地（相较于建立首个SDL工作流所需的时间投入）适应不同的材料系统，实现快速迭代和加速探索复杂参数空间。随着社区群体从主要“平台开发”阶段过渡到迭代设计-升级-利用阶段，我们期望看到越来越多可直接归因于SDL驱动研究的发现。
SDL将更易获取
各种工具和协同技术正在降低与构建和操作SDL相关的技术壁垒和成本。
在硬件方面，我们之前曾描述过具有内置安全限制的协作机器人、3D打印机和激光切割机等快速原型制作工具以及廉价的数码相机如何使SDL开发更加经济实惠。开放获取的硬件设计和标准化协议可以进一步简化平台构建。例如，“节俭孪生”概念提出通过使用现成组件来降低硬件成本和设计时间，从而构建简化的低成本SDL（<5万美元）作为测试平台。
在软件方面，基于AI的工具，如ZoMBI和多保真度ML模型，有潜力通过预测有希望的实验条件、优先考虑高价值测量以及帮助研究人员探索决策过程中出现的权衡取舍，来加速实验规划和数据分析。大语言模型（LLMs）可以通过从自然语言指令生成实验代码、管理数据工作流以及与实验室硬件交互，来提高可及性，使编程经验有限的实践者能够操作SDL。除了可及性，LLMs还可能支持更复杂的实验工作流、推理和工具集成。
总之，硬件和软件的发展正在提高SDL的可及性，并扩大科学界的参与度。随着越来越多的SDL被构建和运行，解决数据标准化问题将变得越来越重要，以确保实验数据、协议和工作流可以在实验室之间可靠地共享和使用。标准化的详细讨论超出了本展望的范围；然而，如下所述的协作举措有望引领这一潮流。
SDL将更具协作性
已经建立了一些倡议来构建SDL、教育新一代研究人员，并促进政府、学术界和工业界之间的合作。例如，加速联盟是“一个由致力于加速材料发现的政府、学术界和工业界组成的全球网络”，获得了加拿大第一研究卓越基金的2亿加元资助（这是迄今为止加拿大政府授予大学的最大一笔资助）。加拿大政府还资助了其他涉及SDL开发的倡议，包括加拿大国家研究委员会的5700万加元“清洁燃料材料挑战计划”和位于安大略省密西沙加市的先进材料研究设施。加拿大和德国是德加材料加速中心（GC-MAC）的合作伙伴，该中心专注于加速可持续能源技术材料的发现、示范和部署。在加拿大以外，欧盟委员会通过Battery 2030+倡议资助了2000万欧元的电池界面基因组-材料加速平台（BIG-MAP）项目，美国的阿贡国家实验室也启动了多个SDL项目。
这些协调一致的努力有助于解决SDL社区面临的核心挑战之一：对平台、数据和专业知识的获取。通过建立共享基础设施、开放获取数据框架和跨机构培训计划，这些倡议为那些没有资源在内部从头构建自己的SDL的团体降低了准入门槛。通过这样做，这些协作努力可以帮助支持一个更加民主化和全球分布的SDL生态系统，在这个系统中，发现可以越来越多地来自协作网络而非孤立的实验室。
SDL将加速商业化
我们看到在早期开发阶段就考虑制造和可扩展性因素的趋势。在我们的实验室，我们将SDL从自动化旋涂过渡到自动化喷涂，作为一种更具可扩展性的沉积方法。随着材料科学中SDL能力的成熟，行业合作伙伴处于独特的地位，可以扩展这些平台，将其整合到工业研发和制造工作流中，并将发现转化为商业产品。过去几年见证了围绕SDL概念迅速扩大的商业生态系统的出现，多家风险投资支持的公司正在开发自主实验室平台、基于云的实验服务和AI驱动的优化引擎。这些努力共同代表了数亿美元的私人投资流入自动化科学领域，表明SDL正在从定制的学术原型转变为具有工业相关性的可扩展技术。行业参与带来了应用驱动的问题陈述、稳健的工程专业知识以及大规模数据生成和基础设施的资源，而SDL支持的协作模型使公司能够受益于新兴的自动化技术和尖端的学术进展。随着学术、工业和政府努力的不断融合，SDL生态系统将越来越有能力加速新材料的发现，并将SDL驱动的突破转化为可部署的技术，以满足现实世界的需求。
拥有SDL的未来实验室即将快速到来
综上所述，上述进展标志着材料科学的一个关键时刻。SDL正在从定制的研究工具演变为广泛可及、灵活且协作的引擎，取代冗长的试错循环，加速发现的步伐。政府投资、学术创新和不断增长的行业参与正在融合，创造一个数据、自动化和智能实验相互加强的生态系统。随着采用壁垒的降低和应用范围的扩大，SDL有望重塑材料的发现、开发和部署方式。其结果将是更快的创新周期、更有效的资源利用，以及从基础研究到满足紧迫全球挑战的商业技术的更清晰路径。
