编辑 | 萝卜皮

格拉斯哥大学（University of Glasgow）的研究人员提出了一种自主化学合成机器人，用于探索、发现和优化由实时光谱反馈、理论和机器学习算法驱动的纳米结构，这些算法控制反应条件并允许选择性地模板化反应。这种方法允许在探索周期之间将材料作为种子转移，从而像生物学中的基因转移一样打开搜索空间。

通过在线紫外-可见表征对种子介导的多步合成金纳米粒子 (AuNPs) 的开放式探索，仅通过在三个分层连接的化学空间中进行约 1000 次实验就发现了五类纳米粒子。该平台通过结合实验和消光光谱模拟来优化具有所需光学特性的纳米结构，以实现高达 95% 的产率。使用化学描述语言 (χDL) 和分析数据以通用格式输出合成过程，以产生独特的数字签名，从而实现合成的可重复性。

该研究以「An artificial intelligence enabled chemical synthesis robot for exploration and optimization of nanomaterials」为题，于 2022 年 10 月 7 日发布在《Science Advances》。

纳米材料具有独特的尺寸和形状可控的物理和化学特性，可应用于医学、电子、催化和量子技术领域。控制纳米材料的形态对于调整其独特的特性（如光学、电学和磁学特性）至关重要。尽管可以可靠地制造某些类型的纳米颗粒，例如金纳米棒，但纳米材料的合成通常存在不可重复性、低产率和多分散性等问题。已经开发了各种自下而上的制造方法，包括电化学、光化学、生物模板和种子介导的合成，以制造具有所需特性的纳米材料。

尽管有各种合成路线可供使用，但为具有高形状产量和单分散性的目标纳米结构寻找最佳条件是一项巨大的挑战。这是由于对试剂浓度、试剂添加顺序、温度和混合速率等合成条件的高维度和敏感性。尽管具有这种敏感性，但仍然缺乏源自合成过程和合成验证的标准、稳健和独特的数字签名。当需要多步合成来实现目标纳米结构时，这些问题变得更加明显。

自主精密机器人架构的开发能够在机器学习（ML）算法的指导下以闭环方法进行并行实验，可以为解决高维和对合成条件的敏感性提供可行的途径。最近，已经为化学合成、产品分离和在线表征开发了各种自主平台。它还被证明可以通过将自主平台与定制的 ML 算法相结合来加速材料发现。

然而，最近的纳米材料合成自动化侧重于用户定义的目标特定优化，无需探索，仍然需要手动步骤。仍然缺乏一个公正地进行开放式探索和搜索多样化的高性能产品的系统。质量多样性 (QD) 算法，例如具有局部竞争的新奇搜索或表型精英的多维档案（MAP-Elites）已应用于多个领域，包括实时决策、自适应机器人控制、从头药物分子发现和新的原始细胞行为搜索。与针对单一最高性能解决方案的经典优化算法相比，QD 算法可以找到具有多样化行为和高性能的解决方案，因此适用于探索化学空间并促进产品的多样性。

闭环自治系统的一个关键要求是选择适当的表征技术。各种表征技术，如原子力显微镜、扫描电子显微镜、透射电子显微镜 (TEM)、动态光散射和小角 X 射线散射，被广泛应用于研究纳米材料的形态。尽管电子显微镜可以提供有关纳米结构的详细信息，但由于其成本和复杂性，在闭环中实施它仍然不切实际。考虑到金属纳米粒子的电磁特性对形态和组成的强烈依赖性，紫外-可见 (UV-Vis) 和红外 (IR) 等在线光谱是最佳且实用的表征技术，因此可用作结构指示剂 。对于开放式探索，增加光谱模式的多样性可能会导致发现具有不同形态的纳米材料。峰突出和宽广等光谱特征可进一步用于寻找具有更高产率和更好单分散性的合成条件。

在这里，格拉斯哥大学的研究团队概念化并开发了一个用于自主智能探索、发现和优化纳米材料 (AI-EDISON) 的系统，它旨在发现和可重复的多步合成新型纳米材料，其独特的数字签名源自物理特性和合成程序。实验架构执行纳米材料的并行合成以及实时光谱表征，并由 ML 算法和消光光谱模拟引擎辅助。

AI-EDISON使用最先进的质量多样性算法探索高维组合合成空间进行开放式探索，然后进行有针对性的优化，寻找具有微调光学特性的纳米材料的最佳合成条件。它可以进一步用于通过资源高效的有向图策略与实时表征相结合，对它发现的任何所需纳米颗粒进行多步合成。使用有向图方法，完整的多步纳米粒子合成可以有效地表示为稳健的数字程序，避免由于操作错误而导致的不可重复性。借助 AI-EDISON，该团队研究了通过种子介导的金纳米粒子 (AuNP) 合成连接的三个化学合成空间，其中从较低层次空间合成的纳米粒子在较高层次空间中用作种子。

通过使用紫外-可见光谱作为主要表征技术，研究人员假设增加光谱的多样性可以导致对具有不同纳米结构的化学空间的有效探索。经过探索，使用模拟引擎创建目标，以进一步优化 AuNPs 的光学特性。这些链接的化学空间从单个物理种子初始化，并在各个级别进行中间探索和优化步骤。

图示：在种子介导的纳米粒子合成中探索和优化的闭环方法。（来源：论文）

图示：自主纳米材料发现平台。（来源：论文）

用于发现纳米材料的整体闭环算法方案包括两种不同的模式：探索和优化。对于每个完整的闭环，AI-EDISON 执行三个不同的步骤，分别对应于纳米粒子合成、UV-Vis 表征和清洁，以及使用 ML 算法设计新实验。

图示：探索在三个相互关联的化学空间中发现形状独特的 AuNP。（来源：论文）

在探索模式中，纳米粒子的结构多样性是通过在行为空间中寻找多样性来实现的。这种行为多样性来源于在 UV-Vis 光谱中观察到的特征，例如峰数和位置。适合度是样品性能的数值指示，根据与纳米颗粒的产量和单分散性相关的峰突出度和宽度进行评估。从以前的合成条件产生了一批新的实验，从而产生了更高性能的样本和多样化的特征。包括三个步骤的过程会不断迭代，直到探索完成。

图示：AuNPs消光光谱模拟对目标光谱的优化。（来源：论文）

探索后，TEM 被用作二次表征技术，以检查具有高性能 UV-Vis 特征的纳米粒子的形态。在优化模式中，目标光谱由具有源自电子显微照片的形状的纳米颗粒的消光光谱模拟来定义。这种具有消光光谱模拟的策略将优化目标扩展到具有探索中不直接可用的特征的纳米结构。由于 UV-Vis 光谱和纳米结构之间缺乏一对一的映射，各种形态可能导致与目标相似的光谱。因此，该算法考虑与目标光谱的相似性和合成空间中的采样密度，以找到多个最优条件作为优化问题的解决方案。

论文链接：https://www.science.org/doi/10.1126/sciadv.abo2626

人工智能 × [ 生物 神经科学 数学 物理 材料 ]

「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。

欢迎关注标星，并点击右下角点赞和在看。

点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。