本文所报道的研究由美国加州大学伯克利分校材料科学与工程系及劳伦斯伯克利国家实验室材料科学部的Nathan J. Szymanski、Bernardus Rendy、Yuxing Fei、Rishi E. Kumar等人合作完成，通讯作者为Yan Zeng与Gerbrand Ceder。Google DeepMind的研究人员Ekin Dogus Cubuk和Amil Merchant亦参与了目标材料的筛选工作。该研究于2023年11月29日在线发表于*Nature*期刊第624卷，文章标题为“An autonomous laboratory for the accelerated synthesis of inorganic materials”（用于无机材料加速合成的自主实验室）。
材料发现的核心瓶颈之一在于计算筛选速度与实验验证速度之间的巨大差距。高通量第一性原理计算可以在极短时间内预测成千上万种潜在新材料的稳定性，但其实际合成与表征却往往需要耗费大量人力和时间。传统的自动化设备虽然能够执行预设的实验步骤，却缺乏根据实验反馈自主调整策略的能力。已有少量先驱性工作在碳纳米管产率优化、光伏性能和光催化活性优化等方面展示了“自主性”的雏形，但这些工作大多针对特定性能指标的优化，而非面向全新材料的合成路径发现。
要实现真正的实验自主性，系统必须融合编码化的领域知识、多样化数据源的访问能力以及主动学习算法。A-Lab正是基于这一理念构建的：它将机器人自动化平台、密度泛函理论（DFT）数据库、从文献中通过自然语言处理提取的合成启发式知识、基于机器学习的X射线衍射（XRD）物相分析以及主动学习算法整合为一个闭环系统，专门用于无机固体粉末的自动化合成与优化。与有机化学领域已有的基于液体处理的自主平台不同，A-Lab面对的是无机固体粉末在称量、混合、研磨和反应方面的独特挑战——前驱体粉末在密度、流动性、粒径、硬度和压缩性方面差异悬殊，且固相反应往往需要通过中间相的多步路径才能完成。
该研究的目标明确：验证一个由计算预测、文献知识、机器学习数据解析和主动学习共同驱动的自主实验平台，能否以高成功率实现此前从未被该实验室合成过的新材料的制备。
A-Lab的57个合成目标全部来自Materials Project数据库（版本2022.10.28）。筛选条件包括：材料必须被标记为“理论”结构（即未收录于无机晶体结构数据库ICSD中），且在0 K下被预测为热力学稳定或非常接近凸包（convex hull，能量高于凸包不超过10 meV/atom）。由于A-Lab在开放空气环境中操作样品，筛选还进一步排除了可能与O₂、CO₂和H₂O发生反应的材料。元素层面排除了放射性元素（Ac、Th、Pa、U、Np、Pu、Tc）、极度稀有的贵金属（Pd、Pt、Rh、Ir、Au、Ru、Os、Re、Tl、Sc、Tm、Pm、Rb、Cs）以及有毒元素（Hg、As）。材料类别限制为氧化物、碳酸盐、硅酸盐、磷酸盐等空气稳定型化合物。最终从432个候选材料中选出57个前驱体易于获取的目标。
对每个目标材料，A-Lab首先使用基于自然语言处理训练的机器学习模型生成最多五个初始合成配方。该模型从超过24,000篇文献中提取的33,343条固相合成程序中学习，通过“合成上下文编码”将目标材料与已知材料进行相似度匹配，从而推荐前驱体组合。若相似材料的前驱体不能覆盖目标材料中的所有元素，则使用掩码前驱体补全模型填补缺失前驱体。合成温度则由另一个基于文献加热数据训练的XGBoost回归模型预测。两个模型均未见过A-Lab的57个目标材料的任何实验数据，确保这些配方的提出完全基于类比推理而非记忆。
A-Lab由三个集成工作站组成。第一站负责前驱体粉末的称量与混合：使用自动化分配天平将规定量的前驱体粉末分配到塑料瓶中，加入乙醇和十个5 mm氧化锆球后在双不对称离心机中混合9分钟，所得浆料经自动移液器转移至氧化铝坩埚中，在80°C下干燥。第二站为加热站，配备四台箱式炉，每炉最多可同时加热八个样品。机械臂将坩埚装载到炉中后，样品先以2°C/min的慢速率升至300°C（以降低磷酸盐前驱体在高温挥发前未反应的风险），再以15°C/min升至目标合成温度并保持4小时，随后自然冷却。第三站负责产物处理与表征：样品冷却后，机械臂将10 mm氧化铝球放入坩埚中，通过垂直振动器将样品研磨成细粉，再经不锈钢筛网倒入XRD样品架，压平后送入衍射仪进行8分钟扫描（2θ范围10°至100°）。三站之间的所有样品转移均由UR5e协作机器人完成。
XRD谱图的物相鉴定采用概率性深度学习模型（XRD-AutoAnalyzer），该模型基于卷积神经网络（CNN），通过蒙特卡洛丢弃法（Monte Carlo dropout）生成100个网络的集成预测，输出每个物相的概率。由于目标材料没有实验衍射谱，其参考谱图由Materials Project中的DFT计算结构模拟生成，并经过机器学习体积校正以减少DFT的晶格参数系统误差。CNN的预测结果通过自动化的多相Rietveld精修确认，该精修过程使用基于强化学习（近端策略优化算法，PPO）的智能体在GSAS-II软件环境中自动执行。
当初始配方未能获得超过50%的目标产率时，主动学习算法ARROWS³介入。该算法的策略是：首先在较低温度（原温度减300°C）下重复同一前驱体组合，以揭示反应中间相；然后分析发生了哪些“两两反应”（pairwise reactions），建立反应路径数据库；接着推荐能够避开不利中间相的新前驱体组合，优先选择对目标相具有最大热力学驱动力的反应路径。若某前驱体组合在低温下生成的中间相与此前失败配方的中间相一致，则该组合被判定为冗余路径，不再进行更高温度的测试，从而将实验搜索空间缩减最多80%。
在连续17天的自主运行中，A-Lab执行了353次合成实验，成功合成了57个目标中的36个，成功率为63%。这些目标覆盖33种元素和40种结构原型。所测试的353个配方中，仅有30%（105个）成功制备了目标材料，说明前驱体选择是合成路径中最具挑战性的环节。在总共36个成功合成的目标中，30个直接使用文献启发的初始配方获得，另外6个通过主动学习优化获得（其中初始配方的目标产率为零）。
实验结果表明，材料的分解能（decomposition energy，衡量化合物从其相图相邻相形成的驱动力）与合成成功率之间没有明显相关性。在57个目标中，50个被预测为0 K下热力学稳定，7个为近凸包的亚稳态。即使在分解能跨度较大的范围内，成功与失败的目标分布并无系统性差异，说明在粉末固相合成中，动力学因素（如前驱体反应路径、中间相选择）往往比最终产物的热力学稳定性更为关键。
主动学习算法成功优化了9个目标材料的合成路径。以CaFe₂P₂O₉为例：初始配方形成了FePO₄和Ca₃(PO₄)₂中间相，而从这些中间相到目标相的驱动力仅为8 meV/atom，反应难以推进。通过主动学习，A-Lab识别了替代路线——形成CaFe₃P₃O₁₃中间相，该中间相与CaO反应生成目标相的驱动力为77 meV/atom，最终使目标产率提高了约70%。在主动学习过程中，A-Lab共积累了88个独特的“两两反应”数据，这些数据被用于推断后续实验的反应路径，避免了对已知路径的重复测试。
未能合成的17个目标可分为四类失败模式。（1）缓慢的反应动力学：11个目标涉及驱动力低于50 meV/atom的反应步骤。对其中几个产物进行人工再研磨并提高温度后，Y₃Ga₃In₂O₁₂和Mg₃NiO₄成功合成，说明这些失败并非目标本身不可合成，而是受限于合成条件。（2）前驱体挥发性：CaCr₂P₂O₉的所有实验因磷酸铵前驱体在450°C以上挥发而导致化学计量比偏移失败。（3）产物非晶化：Mo(PO₃)₅的合成尝试获得了非晶产物，因为该化合物在结晶态以上仅61 meV/atom处就存在低能量非晶构型，这与富磷化合物的玻璃形成倾向一致。（4）计算不准确性：La₅Mn₅O₁₆的合成失败归因于DFT对LaMnO₃的能量预测严重偏高（120 meV/atom高于凸包），而实验上LaMnO₃是已知的稳定相。类似地，YbMoO₄的失败源于Materials Project中Yb₂O₃的赝势选择不当。若排除这三类计算问题涉及的目标，成功率可进一步提高至70%。
值得强调的是，A-Lab的合成失败反过来为计算数据库的质量提供了有效反馈。La₅Mn₅O₁₆、YbMoO₄和BaGdCrFeO₆的失败均指向DFT计算中与镧系元素f电子态或Jahn–Teller效应相关的系统性误差，这类误差恰恰是高通量计算筛选中最容易被忽视的盲区。A-Lab以系统的实验方式充当了计算预测的“验证预言机”（experimental oracle）。
本研究证明了将第一性原理计算、文献知识驱动的机器学习、实验数据的机器学习解析与主动学习算法融合到机器人平台中，可以实现无机材料的高效自主合成。63%的一次性成功率（经过简单的人工干预可提升至67%，若修正计算误差可达70%）表明，AI驱动的自主实验平台已具备在真实材料发现流程中替代大量人工试错的能力。该平台每天可完成超过两种新材料的合成验证，远超传统人工实验的通量。
在科学层面，这项工作揭示了固相合成中前驱体选择与反应路径设计的核心重要性。通过系统性地记录“两两反应”数据，A-Lab构建了一个可复用的实验知识库，为理解固相反应的基本规律提供了数据基础。失败模式的分析直接指出了当前计算材料科学中最需要改进的方向——不仅是更好的合成条件优化算法，也包括对DFT在处理强关联电子体系时局限性的认识。
在应用层面，A-Lab展示的高度模块化和可扩展性为未来材料研发范式的转变提供了蓝图。其产出的多克级粉末样品可直接用于器件测试，具有工业放大潜力。随着计算数据库的持续扩展和机器人平台的进一步迭代，这种“自主实验室”有望在电池材料、催化剂、功能陶瓷等领域大幅缩短从理论预测到实验验证的周期。
本研究的突出特点在于：（1）首次展示了面向全新无机粉末材料的端到端自主合成闭环，而非针对已知材料的参数优化；（2）将自然语言处理从文献中提取的合成知识与热力学驱动的主动学习相结合，形成了一种模仿人类专家决策逻辑的算法架构；（3）通过系统的失败分析实现了实验平台对计算数据库的“反向验证”，揭示了DFT在特定化学体系中的局限；（4）A-Lab的模块化设计允许各工作站独立维护和异常处理，在实际连续运行中平均异常率仅为3.9%，展示了高度的工程可靠性。这些特征使得A-Lab不仅是一个概念验证原型，更代表了材料科学研究范式从“人工试错”向“AI驱动自主发现”转变的一个实质性里程碑。