摘要：“科学人工智能（AI）”的目标之一是通过现实世界的实验发现以定制材料。虽然在计算预测和材料合成自动化方面取得开创性进展，但大多数材料实验仍然局限于使用单模式主动学习（AL）方法，依赖于单一数据流。人工智能（AI）解释实验复杂性的潜力在很大程度上仍有待开发。基于

成果简介

“科学人工智能（AI）”的目标之一是通过现实世界的实验发现以定制材料。虽然在计算预测和材料合成自动化方面取得开创性进展，但大多数材料实验仍然局限于使用单模式主动学习（AL）方法，依赖于单一数据流。人工智能（AI）解释实验复杂性的潜力在很大程度上仍有待开发。基于此，麻省理工学院（MIT）李巨教授和邵阳院士等人报道了一种实验科学家的人工智能助手CRESt（Copilot for Real-world Experimental Scientists），是一个将大型多模态模型（LMMs，包含化学成分、文本嵌入和微结构图像）与知识辅助贝叶斯优化（KABO）和机器人自动化集成在一起的平台。

CRESt采用基于知识嵌入的搜索空间缩减和自适应探索开发策略来加速材料设计、高通量合成和表征以及电化学性能优化。CRESt可以通过摄像头监控和视觉语言模型驱动的假设生成来诊断和纠正实验异常。将CRESt应用于电化学甲酸氧化时，在3个月内探索了900多种催化剂化学性质和3500次电化学测试，在八元化学领域（Pd-Pt-Cu-Au-Ir-Ce-Nb-Cr）确定了一种最先进的催化剂，其成本-特定性能提高了9.3倍。

图文解读

结论展望

总之，作者开发了CRESt，这是一个基于LMM（逻辑模型）和机器人技术的实验材料发现平台。该方法将先前的文献和数据库知识、人类和机器的假设制定、成分调整和流程设计以及微观结构特征纳入材料实验框架中。作者还利用VLMs（虚拟实验室模型）来分析实验过程，以找出并纠正异常的根本原因。使用原位X射线吸收光谱和密度泛函理论（DFT）计算进行的机制研究证实，优化后的多元素催化剂对氢和CO中毒具有更强的耐受性，这归因于定制的原子和电子结构。本研究结果表明，基于LMM的方法能够更有效地探索丰富而复杂的实际材料和实验，将自动化与智能相结合。

来源：科学高峰飞碟