7.2 高通量实验与AI材料发现

7.2 高通量实验与AI材料发现

上一节的计算能筛掉九成候选，剩下的裁决必须靠实验。但传统实验一次做一个样品，节奏配不上计算的吞吐量——于是实验端也换了引擎：机器人实验室并行制备、快速表征在线出数、数据库沉淀每一次尝试，机器学习再把沉淀变成新的预测力。本节沿数据流动的方向走完这个闭环，并讨论它最真实的瓶颈。

高通量实验的三要素

并行制备是第一要素。思路分两派：组合薄膜派在一片衬底上用多靶共溅射配合移动挡板，做出成分连续渐变的「成分梯度库」，一片样品覆盖几十上百个成分点；机器人湿化学派用自动移液与注液工作站，在孔板里同时跑几十个配方（催化剂、电解液配方筛选的标配）。共同哲学是把「重复操作」交给机器，把「判断」留给人。

快速表征是第二要素。成分梯度库用同步辐射X射线衍射一次扫描出全库的相图，微区荧光在几分钟内量完每个成分点的发光波长；电催化用扫描电化学池显微镜逐点测活性；电池浆料用自动涂片与快速充放电测试串成产线。表征的标准是「够用就快」：高通量场景要的是相对排序可靠，不必每个点都做到最高精度。

数据流是第三要素，也最容易被低估。样品 ID、工艺参数、表征结果必须自动关联、结构化入库——手工抄录是数据漂移的头号来源。一个成熟的高通量实验室，机器读写的电子实验记录本、仪器直连的原始数据管道、统一的元数据规范，三者缺一不可。行业里常说「高通量的瓶颈不是仪器是数据」，指的是正是这一环。

# 机器学习材料筛选的最小工作流（示意）
# 第一步：把材料变成模型能读的数字——描述符
#   描述符示例：平均原子半径、电负性差、价电子数、形成能预测值……
# 第二步：用已知数据训练，预测候选的性质

candidates = [
    {"id": "A01", "n_atoms": 5, "avg_radius": 1.42, "dchi": 0.61, "v_ec": 8.2},
    {"id": "A02", "n_atoms": 5, "avg_radius": 1.38, "dchi": 0.74, "v_ec": 8.7},
    # ……（从数据库批量拉取的成千上万条）
]

# 训练集：数据库里已知形成能与是否稳定的化合物
# 模型：梯度提升树或图神经网络
#   图神经网络直接吃晶体图：节点是原子、边是键，描述符工程被部分省略
# 输出：每个候选的稳定性概率排序，取前若干名进入计算复核与实验验证

# 关键纪律：
#   1) 训练集与测试集按「化学体系」划分而非随机划分，防止模型背题；
#   2) 外推区域（训练分布之外）的预测要标注低置信度；
#   3) 模型只提供排序，裁决权在实验。
​

AI 在闭环里的真实分工

材料领域的机器学习有个鲜明的行业性格：数据比模型稀缺。公开数据库的晶体结构百万量级（稳定性、形成能覆盖好），但真实器件性能数据（循环寿命、界面稳定性）散落在各家实验室与企业的私有档案里，格式不一、条件各异。于是行业形成了务实分工：公开数据训练的模型管「粗筛与排序」，私有数据训练的模型管「细调与优化」，实验永远握有最终裁决权。近年最出圈的进展是把大语言模型与文献挖掘接进闭环——从几百万篇论文里抽取合成配方与性能条目，生成候选清单；自动化实验室再按清单连夜跑样。模型「做梦」，实验「验梦」，这个比喻虽糙但准确：模型会给出实验上从未合成过、热力学上站不住的「幻觉结构」，闭环的价值恰恰是让幻觉被快速、低成本地证伪。

案例：AI 预测新晶体——从模型清单到实验验证

背景：已知稳定无机晶体的数量级是数万，而元素组合的理论空间近乎无穷。一个研究联盟的目标是用图神经网络把「从未合成过的稳定晶体」规模化地找出来。操作：流程四步。第一步训练：把数十万已知晶体结构建成原子图（节点为原子、边为化学键），训练模型预测形成能与分解能，使其学会「看见结构就判断稳定与否」。第二步生成与筛选：用元素置换、结构模板搜索等手段生成上千万候选结构，模型逐个打分，留下低形成能的数十万。第三步复核：用第一性原理计算对幸存者做能量复核（模型有时会给出物理上矛盾的预测，计算复核是第一道证伪），再按元素稀缺性、合成可行性（有无相似已知结构的合成路线）排序。第四步实验验证：挑出最有希望的数千结构外包给机器人实验室与合成团队，实际合成出的新稳定晶体数以百计，部分还当场测出目标性能。结果：这一战役把已知稳定晶体家族的版图扩大了近一个数量级，更重要的是验证了「模型生成、计算复核、实验裁决」流水线的规模化能力。解读：冷静看，这批新晶体里能直接落地的仍是个位数比例——多数稳定新相离应用性能还有距离。它的真正意义在方法论：当「提出候选」的成本降到近零，瓶颈显形般地转移到「合成与验证」上；反过来这也解释了自动化实验室为何成为各国布局的焦点。对学习者的提醒是：AI 材料发现不是「模型取代材料学家」，而是把材料学家的精力从猜测结构逼向两个更难的环节——决定该问什么问题（目标函数怎么定），以及判断什么值得合成（价值排序）。变式：同一流水线调低配置就是中小团队的入门玩法：用公开数据库加现成模型给手头体系排序，把两三轮试错压成一轮；再往上配一台自动注液工作站，就能在催化或电池配方上跑起自己的小闭环。闭环不在于规模，在于数据有没有回流、模型有没有更新。

本节要点回顾

• 高通量实验三要素：并行制备、快速表征、自动数据流，瓶颈常在数据规范而非仪器；
• 数据比模型稀缺：公开数据管粗筛，私有数据管细调，实验握最终裁决权；
• 评估集按化学体系划分防背题，外推区域的预测必须带置信度标注；
• 模型做梦、实验验梦：闭环的价值是让幻觉被快速低成本地证伪；
• 当候选生成近零成本后，合成与验证成为新瓶颈——这是自动化实验室成为焦点的原因。

常见问题

公开数据库里的数据都能直接信吗

要分层信。晶体结构与计算形成能（由统一流程计算）一致性好，适合做训练与筛选；实验测量数据（电导、容量、效率）来自不同年代、不同条件的文献，混着用要格外小心——测量方法不同、样品状态不同，数字之间的可比性存疑。成熟团队的做法是给每条数据打「血统标签」：来源、方法、条件、不确定性，训练前先做清洗与异常值排查。数据质量决定模型上限，这句话在材料领域比在图像领域更真，因为样本又少又贵。

主动学习在材料闭环里扮演什么角色

它是闭环的调度员。朴素的高通量是「把清单从头跑到尾」，主动学习则是「模型看一眼现有数据，挑出信息量最大的下几个实验」——优先测那些模型最不确定、或预期收益最高的候选。同样的实验预算，主动学习的排序能让性能提升曲线斜率明显变陡，这在每次实验都要花真金白银的材料领域不是锦上添花，而是省钱的算术。本节的闭环图里「模型建议下一批点」指的正是它。