HyperAI超神经

实验科学通常遵循「假设-实验-分析-迭代」的闭环，但这一过程长期受到人工操作效率、专家经验和数据处理能力的限制。在材料、化学、凝聚态物理等领域，同步辐射光源、中子散裂源等大型科研装置能够揭示原子、分子尺度的结构与动态，却也普遍存在机时紧张、操作复杂、高度依赖资深研究人员等问题。

人工智能的发展，为提升实验效率提供了新的可能。过去，机器学习主要用于材料性质预测、实验参数优化和数据分析；如今，随着主动学习、机器人技术和大语言模型不断进步，AI 开始从实验后的辅助工具，走向实验过程中的主动参与者。借助结构化工具调用机制，AI 不仅能够分析数据，还可以调用仪器、调整参数，并根据实时反馈决定下一步操作。

对于 X 射线散射等大型装置而言，这种能力尤其重要。随着光源亮度和探测速度不断提升，实验数据量迅速增长，样品偏差、设备漂移和信号波动等问题也更加突出。传统固定脚本能够处理标准流程，却很难应对偏离预期的实验情况。

基于此，斯坦福大学与 SLAC 国家加速器实验室研究团队开发了一套「AI X 射线科学家」系统，并将其部署到斯坦福同步辐射光源的真实光束线上。研究团队先在虚拟光束线中完成系统调试，再迁移至真实设备，以单晶取向矩阵求解为任务，检验 AI 能否自主完成多步实验，并处理真实环境中的突发偏差。

相关研究成果以「An agentic artificially intelligent X-ray scientist」为题，已发表于 Nature Machine Intelligence 。

查看论文：
https://www.nature.com/articles/s42256-026-01261-5

数据集：基础参数、虚拟仿真与真实光束线实测

研究人员所需的数据主要分为三类：晶体与仪器的基础参数、虚拟光束线生成的仿真数据，以及真实光束线采集的实验数据。

核心验证样品为磁性外尔半金属 Co3Sn2S2 。系统需要提前获取晶体结构、 X 射线波长、衍射仪电机行程和探测器几何参数等信息。这些数据一方面帮助 AI 计算衍射峰的理论位置，另一方面也为仪器操作划定物理和安全边界。研究还使用单晶硅进行了补充验证。

为了尽量减少对真实机时的占用，研究团队搭建了一套虚拟光束线。仿真平台根据六圆衍射仪的几何关系生成衍射图像，并加入峰形展宽、硬件噪声和信号变形，使输出尽可能接近真实探测器结果。

研究人员还故意在仿真中设置了电机偏移和晶格参数误差。 AI 不能简单照搬理论值，而必须根据观测结果反推实际状态，并不断修正判断。除此之外，团队还设置了更大电机偏移、多晶粒干扰、推理资源受限等更具挑战性的场景，用于测试系统的稳定性。

完成虚拟测试后，系统被部署到斯坦福同步辐射光源 SSRL BL17-2 光束线。真实数据包括探测器图像、扫描曲线、设备状态和实验日志等。与仿真环境相比，真实实验中还存在装夹误差、设备偏移和随机噪声，这些未被预先建模的问题，正是检验 AI 适应能力的关键。

基于大模型推理与 MCP 工具调用的自主衍射实验系统

「AI X 射线科学家」由三个部分组成：负责分析和决策的大模型、负责传递指令的工具交互层，以及执行实际操作的实验设备。

三者通过模型上下文协议，也就是 MCP 连接。 AI 可以读取样品和仪器信息，查看探测器图像和扫描曲线，还可以生成电机控制、峰位扫描和数据拟合等指令。为保证安全，AI 并不直接访问底层硬件，而是通过受限接口与设备交互。

虚拟测试中，研究团队对 Claude Sonnet 4 和 Gemini 2.5 Flash 进行了比较；真实光束线实验则采用推理能力更强的 Claude Opus 4 。系统无需重新训练模型，主要依靠提示词、实验手册和工具说明，引导大模型理解任务。这些提示词不会预先写死每一步操作，而是告诉 AI 实验目标、可用工具和安全规则。至于选择哪个衍射斑、设置多大的扫描范围、如何处理异常信号，则由 AI 根据实时结果自行判断。

整个过程形成一个持续循环：AI 先读取信息并计算理论位置，再控制设备扫描，随后分析观测结果，并据此调整下一步策略。它与固定脚本的差别在于，一旦实验结果偏离预期，AI 可以重新判断原因，而不是机械地继续执行原有流程。

取向误差 <5°，实装成功修正 1.22° 偏移

该研究选择单晶取向矩阵求解作为测试任务。简单来说，这项工作要确定晶体坐标系与实验室坐标系之间的关系，是多数单晶散射实验的前置步骤。完成这一任务通常需要找到至少两个衍射斑，并通过多个电机的协同运动不断校准峰位。实验中既要处理复杂的空间几何关系，也要识别噪声和异常信号，因此高度依赖操作人员的经验。

在虚拟基础测试中，Claude Sonnet 4 和 Gemini 2.5 Flash 分别进行了多次实验。结果如下图所示，所有测试都成功找到目标衍射斑，绝大多数实验的取向误差低于 5°；超过一半的测试将晶格常数 c 的误差控制在 0.01 Å 以内。当电机偏移增大、出现多晶粒干扰或模型可用的推理资源减少时，系统性能有所下降。其中，推理资源受限带来的影响最明显。这说明，自主实验不仅依赖模型是否「知道」实验知识，也依赖其能否进行充分、连续的分析。

真实光束线实验采用「AI 决策、人员中转」的模式。 AI 负责生成实验指令，现场人员只负责将指令原样输入设备，不参与峰位判断和策略选择。

在 Co3Sn2S2 实验中，AI 首先选择 (0,0,6) 衍射斑进行搜索。扫描后，它发现实际峰位与理论位置存在明显偏差，并进一步判断，偏差可能来自样品托不平整。系统随后修正了约 1.22° 的 η 轴偏移，并重新完成峰中心校准。

锁定第一个衍射斑后，AI 又选择 (1,0,10) 作为第二个目标，通过扩大 φ 轴扫描范围确定晶体的面内取向。实验过程中，探测器图像中出现了衍射环干扰，但 AI 没有将其误判为目标单晶峰，最终完成取向矩阵求解。

在单晶硅实验中，系统面对更尖锐的衍射峰和约 1.5° 的 η 轴偏移，也成功完成了搜索和对准。受真实装置机时限制，这项研究尚未进行大规模重复实验，因此还不能证明系统适用于所有样品和光束线。但实验已经完成了关键的概念验证：大语言模型能够通过连续观测、推理和工具调用，在仿真未完全覆盖的真实环境中发现偏差、调整策略，并维持实验闭环。

这意味着，大语言模型在科研中的角色，可能不再局限于文献检索、代码生成和离线数据分析。通过与专业工具、安全接口和物理规则结合，它有望进一步成为能够参与设备操作、实验决策和异常处理的科研协作者。