(資料圖)

科技日報北京11月11日電 （記者張夢然）美國芝加哥大學普利茲克分子工程學院團隊開發(fā)出一套自驅動實驗系統(tǒng)。它會自己“種”材料，可以自主完成整個材料合成與優(yōu)化流程，無需人工持續(xù)干預。該系統(tǒng)結合機器人自動化與機器學習算法，可自主決定下一步實驗方案，實現(xiàn)從實驗執(zhí)行、性能測量到結果分析的全閉環(huán)運行。這種方法有望廣泛應用于硬質材料合成領域，并最終拓展至復雜的量子材料制備，預示著一種全新的制造模式問世。

在制造用于電子、光學和量子技術的金屬薄膜時，科學家通常需要耗費數(shù)月時間反復調整工藝參數(shù)，如溫度、材料成分和反應時間，以期找到最優(yōu)的制備條件。這一過程依賴大量試錯，進展緩慢。此次新系統(tǒng)實現(xiàn)了全流程自動化：運行實驗、測量結果，并將數(shù)據(jù)反饋給機器學習模型，由模型指導下一次實驗。

該系統(tǒng)聚焦于物理氣相沉積（PVD）技術，即通過加熱銀等金屬使其蒸發(fā)，隨后在基底表面凝結形成超薄薄膜。PVD過程對溫度、時間、材料純度及環(huán)境條件極為敏感，微小差異都可能導致結果波動，因此長期以來難以準確預測。傳統(tǒng)方法依賴人工逐次調整參數(shù)，每次實驗周期通常耗時一天以上，效率低下。為解決這一問題，團隊從零開始搭建了一套完整的機器人系統(tǒng)，能夠自動完成PVD的全部步驟，包括樣品處理、薄膜制備和性能檢測。

隨后，團隊與計算機科學家合作，開發(fā)了專用的機器學習算法指導系統(tǒng)進行合成、分析，并動態(tài)調整后續(xù)實驗條件。團隊只需輸入所需薄膜的性能指標，機器學習模型便會自主規(guī)劃實驗路徑，并逐步逼近目標。為應對實驗中難以避免的隨機擾動，例如基底表面的微小差異或真空室內的微量氣體，系統(tǒng)在每次新實驗開始時，會先制備一層極薄的“校準層”，幫助算法識別當前環(huán)境條件，從而提升預測準確性。

為驗證系統(tǒng)性能，團隊設定一個目標——制備具有特定光學特性的銀膜。銀作為一種結構簡單、機理清晰的材料，是理想的測試對象。在實際運行中，該自驅動系統(tǒng)平均僅用2.3次實驗即達成目標。在數(shù)十次連續(xù)運行中，系統(tǒng)全面探索了不同工藝條件的影響，相當于人類團隊耗時數(shù)周才能完成的工作量。

值得一提的是，整套裝置成本比此前商業(yè)實驗室開發(fā)的同類自動化系統(tǒng)便宜一個數(shù)量級。

標簽：