在上一篇文章（AI 時代，高通量新催化劑怎么獲得？加州理工告訴你）中，我們討論了能源領域材料發(fā)現(xiàn)的緊迫性以及自驅動實驗室（SDL）中高通量實驗的重要性。本文將介紹 SDL 的重要性以及推動其發(fā)展的突破性舉措。我們還解釋了 VSParticle 技術如何為未來的 SDL 發(fā)展提供可重復的試驗方案。此外，本文將探討去中心化和開源的相關性，以及這些概念如何改變材料開發(fā)的效率。

● 

Part.1

AI 自驅動實驗室 (SDL) 通過將機器人技術、人工智能和機器學習相結合，實現(xiàn)實驗的自動化和優(yōu)化，改變了組合方法。這種技術的整合有望將材料開發(fā)的速度大幅提高 100 倍，遠遠超越人類的極限。

在 SDL 中很核心的一環(huán)是通過高通量實驗收集數(shù)據(jù)，然后輸入到 AI 系統(tǒng)中。AI 系統(tǒng)從結果中學習，并預測具有特定應用所需特性的候選材料。然后，機器人平臺通過合成和評估材料來自主測試從而驗證這些預測。數(shù)據(jù)、計算和實驗的整合至關重要，每個元素都在反饋回路中引導和完善其他元素（圖 1）。 

圖 1. 自驅動實驗室的工作流程——執(zhí)行階段

在這個數(shù)據(jù)豐富的范式中，快速生成和分析大量實驗數(shù)據(jù)的能力是推動進步和創(chuàng)新的基礎。進行的實驗越多，人工智能學習的速度就越快。因此，理想的 SDL df了傳統(tǒng)的材料開發(fā)過程，科學家可以首先確定所需的材料屬性，然后再逆向開發(fā)新材料，而無需在實驗室中反復試驗。VSParticle 的納米打印機可實現(xiàn)無機金屬/氧化物材料的可控合成，從而支持高通量實驗，是 SDL 不k或缺的一部分。

VSP-P1 納米印刷沉積系統(tǒng)已被 UL 研究所和 DIFFER 等頂級機構的前沿研究團隊采用。通過將該合成模塊集成到 SDL 中，使研究人員和行業(yè)能夠加速氣體傳感、催化、電催化等各個領域的材料開發(fā)過程。

● 全球 SDL 先驅

Part.2

全球有許多 SDL 的先驅研究者。盡管尚處于開發(fā)初期，但一些  SDL 已經(jīng)取得了令人印象深刻的成果，這些成果不僅加速了材料的發(fā)現(xiàn)，還簡化了研究流程，大大推動了新能源材料的開發(fā)。這里列舉了一些多邊合作涉及的研究機構、高校和行業(yè)ld者，他們正在努力推動這一領域的創(chuàng)新。（其中，標記的組都在和 VSParticle 合作）

● 去中心化的重要性和開源數(shù)據(jù)

Part.3.

圖 2. 分散研究的互聯(lián)互通性和靈活性

傳統(tǒng)研究方法尤其是化學合成往往是獨立的，不同機構間缺乏數(shù)據(jù)共享，導致全球范圍內(nèi)大量的重復性研究以及科研資源的浪費。實驗室的研究成果無法轉化為實際應用，極大阻礙了該領域的發(fā)展。有數(shù)據(jù)表面，全球可能有數(shù)十億美元的經(jīng)費被浪費在重復研究工作中。

● 新的解決方案

Part.4

去中心化研究和數(shù)據(jù)開源可以有效應對這些挑戰(zhàn)。在分散的研究網(wǎng)絡中，不會出現(xiàn)“單點故障”（如圖 2 所示）。如果某一個課題出現(xiàn)瓶頸，其他課題可以繼續(xù)運行，保持整體研究勢頭。這種冗余確保科學進展不會因局部問題而停滯不前。數(shù)據(jù)開源允許材料開發(fā)人員修改、定制和構建現(xiàn)有的候選方案。這種靈活性使研究人員無需從 0 開始設計方案，而可以在可追溯的研究成果基礎上進行創(chuàng)新。 

開源數(shù)據(jù)是這一新模式的另一個關鍵組成部分。通過自由共享數(shù)據(jù)，研究人員可以避免重復工作，并更有效地借鑒彼此的工作成果。

而積累共享數(shù)據(jù)的第一步需要高通量實驗室生成大量數(shù)據(jù)，通過跨組織的協(xié)作進行數(shù)據(jù)分析和數(shù)據(jù)庫建立。META AI 就是開源數(shù)據(jù)如何改變材料開發(fā)速度的典f。通過提供共享實驗數(shù)據(jù)的平臺，META 促進了科研工作者之間的協(xié)作并加速了創(chuàng)新。

正如多倫多大學教授 Jason Hattrick Simpers 所說：“我們的目標不是進行 10 萬次或 10 億次實驗，而是利用機器學習等概念在任何給定時間內(nèi)進行具價值的實驗。

● VSParticle – SDL 的堅實基礎

Part.5

SDL 是材料開發(fā)的一次重大變革，它結合了人工智能、機器人技術和高通量實驗，可以快速發(fā)現(xiàn)和優(yōu)化新材料。研究數(shù)據(jù)的分散化和開源進一步增強了 SDL 的潛力，促進了合作并確保全球能夠都享受并利用技術的進步。 

雖然人工智能大大加快了新材料的發(fā)現(xiàn)和驗證，但缺乏將這些創(chuàng)新從實驗室擴展到工業(yè)生產(chǎn)方法。VSParticle 提供了一種強大且可擴展的技術來促進從研究到工業(yè)生產(chǎn)的轉變，確保通過人工智能識別的有前景的材料能夠大規(guī)模高效生產(chǎn)。

圖 3. VSParticle 沉積方法從 SDL 高通量實驗室到未來的工業(yè)量產(chǎn)

VSParticle 線上研討會（聯(lián)系我們獲取直播回放）

了解相關課題組歡迎聯(lián)系我們

1. Serhiy - Electrocatalysis group

2. Dominik HT group

3. MDRI 

4. About Us | UL Research Institutes

5. CEPEA

6. AMD-DIFFER

7. Jason Hattrick-Simpers - Department of Materials Science & Engineering

8. Home - Ada 

9. Alán Aspuru-Guzik | Department of Chemistry

10. Curtis Berlinguette | UBC Chemistry

11. Jason Hein | UBC Chemistry

12. Flow Chemistry and Microfluidics

13. Milad Abolhasani | Department of Chemical and Biomolecular Engineering 

14. MIT - Jensen group

15. Klavs F. Jensen – MIT Chemical Engineering

16. Timothy F. Jamison – MIT Department of Chemistry

17. Connor W. Coley – MIT Chemical Engineering

18. Accelerate consortium

19. CAPEX-DTU

20. Tejs Vegge — Welcome to DTU Research Database

21. Acceleration Consortium

22. Open Catalyst Project