人工智能自主发现新材料：从科学数据中学习并开展实验

麻省理工学院（MIT）的研究团队开发出一种名为“现实实验科学家助手”（CRESt）的新型人工智能系统，能够整合来自科学文献、化学成分、显微图像等多源信息，自主设计实验并加速新材料的发现。该系统结合机器人自动化设备与多模态大模型，实现从材料配方优化到实验执行、结果分析的全流程闭环，显著提升研发效率。 传统机器学习模型在材料研发中往往仅依赖单一数据类型，难以全面反映实验复杂性。而CRESt则通过融合文献知识、实验数据、视觉信息和人类反馈，构建更接近人类科学家思维方式的智能系统。研究人员可通过自然语言与系统对话，无需编程即可下达任务。系统会自主生成假设、规划实验，并利用摄像头和视觉语言模型实时监控过程，发现异常并提出改进建议。 CRESt配备多种自动化设备，包括液体处理机器人、快速合成系统、电化学测试平台及自动电子显微镜等，可实现高通量材料制备与表征。研究团队利用该系统在三个月内探索了超过900种化学组合，完成3500次电化学测试，成功发现一种由八种元素组成的新型催化剂材料。该材料在甲酸盐燃料电池中实现功率密度较纯钯材料提升9.3倍，且仅使用四分之一的贵金属，创下新纪录。 系统的核心在于“多模态主动学习”框架：先基于文献与数据库构建材料知识嵌入空间，通过主成分分析压缩搜索范围，再在精简空间中应用贝叶斯优化设计实验；实验结果与人类反馈不断回流至大模型，动态更新知识库并优化后续实验路径，极大提升学习效率。 尽管系统表现出色，研究人员强调CRESt仍是“助手”而非替代者。人类在调试、判断和创新中仍不可替代。系统通过自然语言解释其推理过程，增强可解释性，推动迈向“自驱动实验室”的未来。该成果发表于《自然》杂志，为解决能源材料长期面临的贵金属依赖与可重复性难题提供了突破性路径。