中科院深圳先进技术研究院材料界面研究中心喻学锋、赵海涛团队，中国科学技术大学江俊等，首次将数据驱动自动合成、机器人辅助可控合成、机器学习促进逆向设计用于胶体纳米晶（例如钙钛矿）材料合成，探索构建了“机器科学家”平台，有望将科研人员从传统试错实验、劳动密集型表征中解放出来，聚焦科学创新，实现纳米晶材料数字智造。相关研究3月3日发表于《自然-合成》。
“机器科学家”开启纳米晶材料数字智造示意图。科研团队供图
随着材料基因组、机器人、人工智能技术的发展，数据驱动科学发现继“实验范式”“理论范式”和“仿真范式”之后成为“第四研究范式”。但依靠科学家经验的试错和劳动密集型实验依旧运用在当今的新材料研发中。其中，纳米晶物理化学性质与其形貌、尺寸息息相关，传统的试错实验和密集表征需花费大量时间和精力，制约了纳米晶的研发。
为此，研究团队整合数据驱动自动化合成、机器人辅助可控合成、面向形貌逆向设计等技术，构建了机器人辅助胶体纳米晶数字智造平台。他们以两种典型的胶体纳米晶为研究范例。一种是目前在生物传感检测领域被广泛研究的金纳米棒，一种是在新能源和光学探测领域有巨大应用潜力的钙钛矿纳米晶。
为了实现自动化合成，研究人员对文献进行了数据挖掘，以提供关键合成参数的初始选择。研究人员对1300篇已报道的金纳米棒合成的相关文献进行数据挖掘，并通过设计正交实验及高通量实验，获取了机器人执行参数以及金纳米棒形貌调控的重要参数。针对双钙钛矿，研究人员通过对其他钙钛矿相关文献进行数据挖掘，筛选出了潜在的可供调节双钙钛矿尺寸形貌的48种溶剂和61种表面活性剂，结合高通量原位合成和表征，快速实现了溶剂和表面活性剂的筛选。
通过机器人辅助正交实验，单因素、双因素以及三因素实验，研究人员获得了大样本数据和小样本数据，同时生成了大数据集和小数据集，不断扩充实验大数据库。实验大数据库和机器学习模型对于支持逆向设计过程至关重要，研究人员基于高通量实验数据的迭代，将电镜小样本异位验证与机器人大样本原位表征相结合，通过机器学习，最终成功建立了从关键合成参数到晶体形貌的机器学习规律模型。
培养具备纳米晶合成和表征专业知识的高素质科学家需要相当高的成本，这种“数据驱动自动合成-机器人辅助可控合成-机器学习促进逆向设计”框架将进一步助力纳米晶合成和表征，解决一直以来科学家的经验和手法较难复制的问题，探索利用“机器科学家”完成特定形貌纳米晶的数字智造。
该研究不仅为新概念材料设计、制备和表征等关键共性科学问题研究提供了“数据挖掘-机器合成-AI设计”通用性框架，而且为新能源和生命健康等领域关键核心材料及技术的突破提供了数据驱动的全新方法论。
相关论文信息：https://doi.org/10.1038/s44160-023-00250-5
来源：《中国科学报》
