在材料科学领域，新材料的发现往往是一个漫长而昂贵的过程。研究人员需要精心设计实验流程，合成新材料，并进行一系列测试和分析来理解其特性。然而，MIT研究人员最近开发的CRESt(Copilot for Real-world Experimental Scientists)平台正在彻底改变这一现状。这个创新的平台结合了人工智能、多模态数据分析和自动化实验设备，能够处理来自科学文献、化学成分、微观结构图像等多种信息源，并通过自然语言交互指导研究人员。
多模态学习：超越传统机器学习
传统的机器学习模型在材料发现中通常只考虑几种特定类型的数据或变量。相比之下，人类科学家在协作环境中工作，会综合考虑实验结果、更广泛的科学文献、成像和结构分析、个人经验或直觉，以及同事和同行评审的输入。
CRESt平台通过整合多源信息，实现了更接近人类科学家思维方式的材料研发过程。该平台不仅考虑实验数据，还融入了科学文献中的知识、化学成分信息、微观结构图像等多元数据。
"在科学AI领域，关键在于设计新的实验，"MIT工程学Carl Richard Soderberg能源教授Ju Li表示，"我们使用多模态反馈——例如先前文献中关于钯在该温度下在燃料电池中的行为信息，以及人类反馈——来补充实验数据并设计新实验。我们还使用机器人来合成和表征材料结构并测试性能。"
平台架构：从文献挖掘到实验执行
CRESt平台的架构体现了高度的系统性和整合性。其核心组件包括：
1. 知识获取与整合系统
CRESt能够自动搜索科学论文，寻找可能对材料设计有用的元素或前体分子描述。这一功能使平台能够利用全球科研人员的集体智慧，为材料设计提供指导。
"对于我们使用的每种配方，我们都会使用先前的文献文本或数据库，"Li解释道，"即使在进行实验之前，它也会基于先前的知识库为每种配方创建这些巨大的表征。然后我们在这种知识嵌入空间中执行主成分分析，以获得捕捉大多数性能变异性的简化搜索空间。"
2. 贝叶斯优化与主动学习
CRESt采用改进的贝叶斯优化(BO)策略，结合主动学习技术来设计实验。与基本BO不同，CRESt不会局限于固定的设计空间，而是能够考虑材料中存在的更多依赖关系。
"贝叶斯优化就像Netflix根据您的观看历史推荐下一部电影要观看，只不过它推荐的是下一个要做的实验，"Li解释道，"但基本的贝叶斯优化过于简单化。它使用封闭式设计空间，所以如果我说我将使用铂、钯和铁，它只改变这些元素在这个小空间中的比例。但真实材料有更多的依赖关系，BO经常会迷失方向。"
3. 自动化实验设备
CRESt配备了一系列先进的机器人设备，包括：
- 液体处理机器人
- 碳热冲击系统，可快速合成材料
- 自动化电化学工作站，用于测试
- 包括自动化电子显微镜和光学显微镜在内的表征设备
- 泵和气体阀门等辅助设备，也可远程控制
这些设备能够执行从样品制备到表征和测试的全流程工作，大大提高了实验效率和可重复性。
4. 自然语言交互界面
CRESt最引人注目的特点之一是其用户界面，允许研究人员以自然语言与系统交流，无需编码。研究人员可以告诉系统使用主动学习来为不同项目寻找有前景的材料配方，启动样品制备，或对扫描电子显微镜图像执行图像分析。
"CRESt用户界面允许研究人员与平台聊天，并告诉它提供有前景的材料配方，开始样品制备，或对SEM图像执行图像分析，"MIT新闻办公室的描述中提到。
实际应用：燃料电池催化剂的突破性发现
为了验证CRESt平台的有效性，研究人员使用该平台开发了一种先进的高密度燃料电池电极材料，称为直接甲酸盐燃料电池。经过三个月对900多种化学成分的探索，CRESt发现了一种由八种元素组成的催化剂材料，实现了比纯钯（一种昂贵的贵金属）高9.3倍的每美元功率密度提升。在进一步测试中，CRESt的材料被用于为工作的直接甲酸盐燃料电池提供创纪录的功率密度，尽管该电池仅包含先前设备四分之一的贵金属。
"燃料电池催化剂的一个重大挑战是使用贵金属，"Zhang说，"对于燃料电池，研究人员使用了各种贵金属如钯和铂。我们使用多元素催化剂，还融入了许多其他廉价元素，为催化活性和抗中毒物种（如一氧化碳和吸附氢原子）的抵抗力创造最佳配位环境。人们多年来一直在寻找低成本选项。这个系统大大加速了我们对这些催化剂的搜索。"
解决可重复性挑战
材料科学实验常常面临可重复性挑战。为了解决这个问题，CRESt使用摄像头监控实验，通过文本和语音向人类研究人员指出潜在问题并提出解决方案。
早期，可重复性差成为限制研究人员在其新主动学习技术实验数据集上执行能力的主要问题。材料特性可能受前体混合和处理方式的影响，任何问题都可能微妙地改变实验条件，需要仔细检查以纠正。
为了部分自动化这一过程，研究人员将计算机视觉和视觉语言模型与科学文献中的领域知识相结合，使系统能够推测不可重复性的来源并提出解决方案。例如，模型可以注意到样品形状中毫米级的偏差或移液管移动物品的位置不当。研究人员采纳了模型的一些建议，导致一致性提高，表明这些模型已经成为优秀的实验助手。
未来展望：人机协作的新范式
尽管CRESt展示了强大的自动化能力，但研究人员强调，它旨在成为人类研究人员的助手，而非替代品。
"CRESt是人类研究人员的助手，而非替代品，"Li说，"人类研究人员仍然是不可或缺的。事实上，我们使用自然语言使系统能够解释它在做什么并提出观察和假设。但这是迈向更灵活、自动驾驶实验室的一步。"
研究人员指出，人类仍然执行实验中的大部分调试工作。然而，CRESt已经展示了作为智能研究伙伴的潜力，能够处理重复性任务，提供数据驱动的见解，并加速发现过程。
行业影响与潜在应用
CRESt平台的开发对材料科学和工程领域具有深远影响。通过整合多源信息、自动化实验流程和智能数据分析，该平台有望解决长期困扰材料科学界的能源问题。
在能源领域，CRESt可以加速高效催化剂、电池材料、太阳能电池等关键组件的开发。在制药行业，该平台可能有助于发现新的药物配方和材料。在环境科学中，CRESt可以支持开发更高效的水过滤材料和碳捕获技术。
此外，CRESt的方法论可以扩展到其他需要复杂实验和多源数据整合的科学领域，如化学合成、生物材料开发和先进制造。
技术挑战与未来发展方向
尽管CRESt取得了显著成功，但研究人员仍面临一些技术挑战。首先，多模态数据的整合和表征仍然是一个复杂问题，需要进一步发展更先进的算法。其次，自动化设备的可靠性和精度需要不断提高，以确保实验结果的可重复性。此外，大规模部署CRESt平台还需要考虑成本效益和可扩展性。
未来的研究方向包括：
扩展多模态数据整合：开发更先进的算法来整合和处理来自不同来源的异构数据。
提高自主性：增强CRESt的自主决策能力，减少对人类干预的依赖。
跨学科应用：将CRESt的方法论扩展到其他科学领域，如生物学、化学和物理学。
云端部署：开发云端版本的CRESt，使更多研究人员能够访问和使用该平台。
结论
CRESt平台的开发代表了材料科学领域的重大突破。通过整合人工智能、多模态数据分析和自动化实验设备，该平台能够处理来自科学文献、化学成分、微观结构图像等多种信息源，并通过自然语言交互指导研究人员。
在实际应用中，CRESt已经展示了其发现新材料的潜力，特别是在燃料电池催化剂领域。这一创新平台有望解决材料科学和工程领域长期面临的能源问题，加速新材料的发现与应用。
随着技术的不断发展和完善，CRESt有望成为材料科学研究的标准工具，推动科学发现的边界，并为解决全球能源和环境挑战提供新的解决方案。这种人机协作的新范式不仅提高了研究效率，还可能开启科学发现的新时代，使研究人员能够专注于创造性思维和复杂问题的解决，而将重复性任务留给智能系统。
