编辑推荐：
这篇研究论文提出并验证了一个名为“ScatterLab”的自主实验室系统，它能够绕过传统的试错法，通过设定目标散射模式（TS/PDF），利用贝叶斯优化（BO）算法，在无预设合成知识的情况下，自主探索和优化合成参数，最终成功合成了具有特定原子结构（如~5 nm十面体与~10 nm面心立方结构）的金纳米颗粒（AuNPs）。该研究为按需、原子结构导向的材料设计（尤其是在催化、医药等领域）提供了一种通用性强的自动化实验框架。
研究背景与方法概述
控制材料的原子结构对于调控其功能性至关重要，但纳米颗粒（NPs）的合成协议通常仍依赖于费时费力的试错式优化。尤其是金纳米颗粒（AuNPs），其催化、光学等特性高度依赖于其尺寸、形状和原子排列。尽管有大量研究，但在高浓度下实现原子结构控制和单分散性仍具挑战性。自主实验室（Self-driving laboratories， SDLs）为加速此类优化提供了新途径。然而，目前许多SDL依赖紫外-可见光谱（UV-Vis）等方法进行反馈，这些方法无法直接解析原子结构，且存在局限性（如许多材料缺乏强等离子体信号）。
总散射（Total scattering， TS）技术及其傅里叶变换得到的对分布函数（Pair distribution function， PDF）则提供了一种通用性更强的表征手段。TS/PDF能够捕捉从原子到宏观尺度的结构信息，适用于晶体或非晶等多种材料体系，且能直接反映原子对关联。基于此，研究者开发了名为ScatterLab的SDL系统，它集成了模块化实验平台（MODular EXperimentation platform， MODEX）、同步辐射TS/PDF实时测量以及运行于高性能计算集群的贝叶斯优化（Bayesian Optimisation， BO）算法。
ScatterLab的核心工作流程是：首先设定一个目标材料的模拟TS/PDF图案作为优化目标；然后，由BO算法提出一组合成参数（包括化学试剂体积、混合速度、光照条件等）；MODEX平台执行合成；合成后的样品被转移到同步辐射光束线（本研究在DanMAX线站）进行一分钟的TS测量；数据处理后得到实验的F(Q)和G(r)图案，并与目标图案计算均方误差（Mean-squared error， MSE）作为目标函数值；该值反馈给BO算法以更新其代理模型，并据此提出下一组实验参数，如此循环迭代，旨在最小化目标函数值，即让实验散射图案越来越接近目标图案。
针对~5 nm十面体金纳米颗粒的自主合成
研究首先以模拟的~5 nm（4.9 × 4.9 × 4.3 nm）十面体金纳米颗粒的散射图案为目标。优化在一个11维的参数空间中进行，包括H2O、甘油、乙醇、HAuCl4、NaOH和柠檬酸钠（NaCt）的体积、HAuCl4的添加速度、白光/UV-B/UV-C LED光照强度以及混合速度。
实验从24次随机参数实验开始，以广泛探索化学空间。随后启动BO优化。结果显示，BO启动后，目标函数值的滚动平均值迅速下降，表明系统开始利用代理模型进行有指导的合成决策。在仅进行4次BO实验后（总实验#28），其效果就已优于所有随机尝试。最终，在实验#41处获得了与目标散射图案高度吻合的实验数据，表明合成出的AuNPs结构可以用目标十面体模型来描述。优化在实验#47处停止，因为连续6次实验未再改善。实验#41在相同条件下重复，并进行了15分钟的长时间测量以提高数据质量，对延长测量数据的联合精修进一步证实了十面体结构模型的匹配度。此外，通过对1965种十面体、二十面体、八面体和面心立方结构模型的集群挖掘搜索分析，结果也一致倾向于十面体构型。这些结果表明，ScatterLab成功引导合成条件，产生了一种与目标十面体结构一致的原子排列。
针对球形~10 nm面心立方金纳米颗粒的自主合成
在成功合成十面体AuNPs后，研究目标转向更大的球形~10 nm面心立方（FCC）结构AuNPs。与第一个任务不同，此次优化并未重新开始随机实验，而是利用了从第一个任务中获得的数据和已训练的代理模型，仅将目标散射图案更新为10 nm FCC的模拟图案。
优化启动后，系统再次表现出快速收敛的趋势。实验#50和#56的散射图案与目标FCC图案的匹配度显著提高。分析表明，ScatterLab学习了到产生更大NPs的条件：减少柠檬酸钠（NaCt）和还原剂（甘油）的用量，同时增加NaOH的浓度。对实验#56的数据进行联合Rietveld精修，结果显示FCC模型与实验数据吻合良好，精修出的颗粒直径约为7.5 nm（略小于10 nm的目标值）。研究指出，这可能是由于分配的同步辐射机时在实验#56后不久结束，没有机会进行进一步优化。尽管如此，实验已证明ScatterLab能够再次找到产生与FCC目标散射图案高度匹配的合成条件。
ScatterLab如何导航合成变量
通过分析所有56次实验中各合成参数与目标函数值的关系图，可以洞察ScatterLab的优化策略。在优化过程中，BO算法倾向于排除乙醇，这与文献中甘油更利于AuNP快速形成的报道一致。对于HAuCl4、NaOH和NaCt的浓度及比例，系统成功将AuNP浓度提高至约3.5 mM，超过了典型的1 mM限制。当目标从5 nm颗粒变为10 nm颗粒时，系统增加了NaOH并减少了NaCt的用量，这与减缓前驱体还原速度、减少空间稳定作用以利于生成更大NPs的文献预期相符。在光照方面，系统收敛于中等强度的UV-B和UV-C照射，而白光几乎被停用。性能最佳的实验通常采用约0.3 mL/s的“慢速”HAuCl4添加速率。
研究者尝试手动复制ScatterLab优化出的配方（实验#41和#56），但由于机器人流程与手动操作在添加速率、混合行为、光照设置等方面的差异，导致了明显的AuNP团聚。这凸显了将自动化流动合成协议直接转化为手动程序的困难。不过，ScatterLab确定的参数区间为人工后续优化提供了富有成效的起点。
结论与展望
本研究成功证明，ScatterLab能够利用TS/PDF散射图案作为原子级结构反馈，自主引导AuNP的合成，使其散射图案逼近用户设定的目标图案。所选择的~5 nm十面体和~10 nm球形FCC两种目标结构，旨在展示系统能够自主逼近仅通过散射图案定义的原子级结构目标。
与依赖紫外-可见光谱的其他SDL相比，TS/PDF提供了更高的结构保真度。本研究采用的MODEX平台强调模块化、适应性和低成本（约2750欧元），旨在“民主化”自主实验，使其更易于被小型研究团队采用，并能适应同步辐射光束线等时间受限的环境。每个完整的SDL周期平均耗时17分钟，未来通过合成并行化和工作流程编排，有望进一步缩短约50%。
尽管TS/PDF已能提供高结构信息，但未来集成多模态数据流（如小角X射线散射SAXS、透射电子显微镜TEM或光学光谱）将有助于减少结构简并的情况。展望未来，由机器学习原子间势能发现的结构的模拟TS/PDF图案可作为用户定义的目标，使得ScatterLab能够实验实现计算预测的结构。通过为多样化化学体系提供原子级洞察，ScatterLab加速了下一代材料的合成，并为在传统试错法无法达到的时间尺度上，实现合成诸如先进催化剂、量子点等功能明确的纳米材料奠定了基础。
