由主動(dòng)學(xué)習和AI驅動(dòng)的智能自主實(shí)驗[Nature Reviews Materials評論文章]

近日，MIT材料科學(xué)與工程系李巨、Tonio Buonassisi、任之初等人在Nature Reviews Materials的Comment欄目發(fā)表題為“Autonomous experiments using active learning and AI”的文章，介紹了由主動(dòng)學(xué)習和AI驅動(dòng)的智能自主實(shí)驗。

主動(dòng)學(xué)習和自動(dòng)化并不能讓人類(lèi)輕松地擺脫實(shí)驗室的工作。在它們對新材料研究產(chǎn)生實(shí)質(zhì)性的影響之前，我們需要非常仔細地部署人工智能系統，確保它們能夠穩定地運行，并且能夠應對各種偏差，包括隨機噪聲（stochastic errors）和因人類(lèi)對所研究的問(wèn)題認知不足而導致的認知性偏差（epistemic errors）。如今，隨著(zhù)自動(dòng)化和AI逐漸普及，我們需要認真考慮自主實(shí)驗室的可重復性、可重配置性和實(shí)驗互通性這些關(guān)鍵因素。

探索新材料是一個(gè)勞動(dòng)密集型過(guò)程。愛(ài)迪生為了發(fā)明白熾燈泡，測試了數千種燈絲。現如今，便宜的自動(dòng)化設備讓結合機器人和主動(dòng)學(xué)習算法的新研究方法成為可能。雖然在預算和空間有限的情況下，構建完全自動(dòng)化的實(shí)驗平臺是非常具有挑戰性的，但是在半自動(dòng)化的工作流上也可以取得不錯的進(jìn)展。例如，在儀器之間完全可以保留傳統的手動(dòng)轉移樣品，并不一定要使用機械臂或者是傳送帶之類(lèi)的自動(dòng)化。只要實(shí)驗結果G度可重復，即使使用一些基本的機器學(xué)習方法，比如G斯過(guò)程回歸和貝葉斯優(yōu)化，就已經(jīng)能很好地解決許多材料優(yōu)化問(wèn)題。

就像把孩子養大需要幾十年時(shí)間，并且在這過(guò)程中需要教他們各種各樣的東西一樣，人們不應該期望在知識基礎比較有限的情況下，由主動(dòng)學(xué)習（active learning）驅動(dòng)的實(shí)驗一開(kāi)始就非常有效。這個(gè)學(xué)習過(guò)程在開(kāi)始時(shí)往往是非常脆弱的。教一個(gè)小孩子走路需要很多手把手的引導，同樣地，驅動(dòng)實(shí)驗的人工智能在一開(kāi)始也需要很多指導，即使其調用的自動(dòng)化平臺看似十分“穩定G效”。

01 認知性偏差的挑戰

能夠獲得長(cháng)期可復現的數據集是自動(dòng)化平臺有能力開(kāi)展主動(dòng)學(xué)習的衡量標準。當一個(gè)實(shí)驗重復兩次產(chǎn)生不同的結果時(shí)，差異主要來(lái)自?xún)蓚�(gè)方面：偶然性偏差和認知性偏差。偶然性偏差源于隨機性，可以通過(guò)提升自動(dòng)化占比和在模型中引入G斯過(guò)程噪聲核來(lái)有效緩解，因此相對容易處理。相比之下，認知性偏差則可能會(huì )影響自主化實(shí)驗的成功，尤其是在主動(dòng)學(xué)習算法還未經(jīng)過(guò)優(yōu)化調整的情況下。認知性誤差，從本質(zhì)上講，就是由于我們科研工作者的“知識偏見(jiàn)”——我們認為一些變量在多次試驗中是恒定的，但實(shí)際上它們在“悄悄”地變化。

以我們實(shí)驗室的自動(dòng)化滴涂碳基底樣品過(guò)程為例，有段時(shí)間我們發(fā)現即便是重復同樣的實(shí)驗，樣品的性能差異也很大。直到有一天，我們注意到碳基底可能是各向異性的，也就是說(shuō)我們切割它的方式（從市場(chǎng)上買(mǎi)來(lái)的片狀切成條狀）是一個(gè)重要的變量，直接決定了滴涂后樣品擴散的方向和終面積。而在此之前，我們一直很自信地默認這個(gè)基底是各向同性的。諸如此類(lèi)的知識偏見(jiàn)，很可能將直接導致整個(gè)機器學(xué)習項目失敗。

為什么可復現性對主動(dòng)學(xué)習特別關(guān)鍵？手動(dòng)實(shí)驗不也面臨這個(gè)問(wèn)題嗎？答案是肯定的，但人類(lèi)的經(jīng)驗和靈活性大大緩解了這個(gè)問(wèn)題。想象一個(gè)學(xué)生發(fā)現了一種合成方法，重復了10次，其中2次得到了非常令人興奮的結果。學(xué)生會(huì )怎么做？誤差區間太大，無(wú)法發(fā)表，所以學(xué)生和導師會(huì )討論、調整設置，終找出統計異常背后的原因（例如，中間反應產(chǎn)品的外來(lái)水分含量）。

統計上的異常源于我們沒(méi)能找齊決定了實(shí)驗結果的變量全集。如果我們選擇忽略而不是去深入調查和試圖理解我們漏了哪個(gè)隱藏變量，其結果就是，我們發(fā)現自己的實(shí)驗難以復現。《自然》雜志的一項調查顯示，文獻中不可復現性的主要原因是選擇性報告，其本質(zhì)也是類(lèi)似的——文獻只披露了實(shí)驗變量全集的一個(gè)子集（也許作者自身也未意識到）。如果我們還沒(méi)搞清楚誤差來(lái)源就輕率地啟動(dòng)一個(gè)主動(dòng)學(xué)習項目，這可能會(huì )浪費大量時(shí)間和金錢(qián)。算法會(huì )錯誤地將特殊的噪聲視為信號，從而給出糟糕的建議，正所謂“garbage in, garbage out”。

另一方面，如果我們仔細地去排除認知性偏差，找出隱藏變量，可能會(huì )有意想不到的科學(xué)發(fā)現，就像青霉素是由于意外真菌污染而未能培養細菌培養物所發(fā)現的。人類(lèi)非常擅長(cháng)扭轉“實(shí)驗失敗”，因為我們有著(zhù)出色的因果推理能力（用福爾摩斯的話(huà)說(shuō)，“一旦排除了所有可能性，無(wú)論剩下的是多么看似不現實(shí)的推論，必定就是事實(shí)”）。可惜的是，樸素的主動(dòng)學(xué)習方法并做不到這些，因為它們被設定了過(guò)于簡(jiǎn)化的世界觀(guān)，而且沒(méi)有太多先驗的物理知識。

與傳統機器學(xué)習技術(shù)不同，大型語(yǔ)言模型如ChatGPT能生成科學(xué)上合理的猜想。未來(lái)，我們有望利用更先進(jìn)和多面的自主實(shí)驗室來(lái)驗證這些由大模型生成的假說(shuō)。比如，我們可以在受控的氣氛反應室內自動(dòng)重復合成程序，以探究實(shí)驗結果對不同氣體分壓的依賴(lài)性。隨著(zhù)自動(dòng)實(shí)驗引入計算機視覺(jué)（在某些方面已超過(guò)人類(lèi)視覺(jué)），以及借助于龐大的先驗知識庫，AI系統將能更準確地跟蹤實(shí)驗室條件（例如濕度、背景輻射、前體材料的紋理和不均勻性）。因此，隨著(zhù)AI系統逐漸整合多模態(tài)傳感器，弄清認知誤差的可能原因并針對性地調整工作流程只是時(shí)間問(wèn)題。大型語(yǔ)言模型結合具有通用感覺(jué)運動(dòng)功能的強化學(xué)習，以及下文所述的“新控制論”，很可能是實(shí)驗室自動(dòng)化革命的下一個(gè)步驟。

02 AI驅動(dòng)的自主實(shí)驗室網(wǎng)絡(luò )

隨著(zhù)AI系統變得更加復雜和強大，預算和空間的限制，模塊化的云實(shí)驗室設施將變得有必要。這類(lèi)新型實(shí)驗室不僅需要能重新編譯和鏈接各種實(shí)驗設備，還需要確保多個(gè)自動(dòng)實(shí)驗室之間的互通性。一個(gè)包括實(shí)驗和理論兩個(gè)方面的龐大的AI網(wǎng)絡(luò )將被建立，以實(shí)現實(shí)驗室級的勞動(dòng)分工、規模經(jīng)濟和互相制衡。例如，當某個(gè)AI實(shí)驗室制備出了具有突破性性能的樣品后，AI網(wǎng)絡(luò )會(huì )負責將（i）該制備方案發(fā)送至負責理論研究的AI實(shí)驗室進(jìn)行分析，（ii）在該實(shí)驗室本地復制多份物理樣品并傳送至多個(gè)專(zhuān)門(mén)負責測試的AI實(shí)驗室，（iii）制備方案本身分發(fā)至負責制備同類(lèi)型材料的AI實(shí)驗室以進(jìn)行對抗性的復現測試。

今天的材料合成、表征和性能測試的設備主要是為人類(lèi)用戶(hù)設計的。未來(lái)，自主實(shí)驗室每臺設備都需要具有兩個(gè)接口，一個(gè)主接口服務(wù)于物聯(lián)網(wǎng)上的AI系統，另一個(gè)用于人類(lèi)操作。每個(gè)設備模塊將更像是軟件庫中的子程序，其物理樣品輸入/輸出規范將被明確且嚴格地定義。設備鏈將具備快速和自動(dòng)的重配置能力，以滿(mǎn)足不同科研項目的需求。值得注意的是，重新配置并不意味著(zhù)需要將設備物理移動(dòng)以組成一條流水線(xiàn)，因為輪式機器人和小型無(wú)人機將負責模塊之間的樣品傳送。

雖然自主材料研究實(shí)驗室的概念早在1950年代就已經(jīng)出現，但至今成功的案例仍然較少。目前在學(xué)術(shù)界，實(shí)驗室大多還是以人為核心，且每個(gè)實(shí)驗室的建設預算僅限于幾百萬(wàn)美元或更少。這通常意味著(zhù)單個(gè)實(shí)驗室只有自家“一招鮮”或“幾招鮮”的手段，這使得它們在識別認知誤差或迅速適應工作流變化方面表現不佳。當懷疑有些不尋常的情況發(fā)生時(shí)，人類(lèi)研究員會(huì )向校園內從事不同L域的同事尋求幫助，請他們進(jìn)行補充測量。這種靈活性在科研探索過(guò)程中是非常重要的，反觀(guān)我們今天的以機器和AI為核心的自主實(shí)驗室案例，由于規模太小，還無(wú)法做到類(lèi)似的靈活性。

為了解決這個(gè)問(wèn)題，不同的自主實(shí)驗室需要實(shí)現更好的協(xié)同工作。例如，讓AI有能力將一個(gè)物理樣品及其對應的元數據從一個(gè)實(shí)驗室傳送到另一個(gè)實(shí)驗室。這樣的任務(wù)需要我們建立標準化的數據和樣品傳輸協(xié)議，比如規定用于傳輸液體、粉末、凝膠、顆粒和單晶材料的膠囊，它們需要與易于稱(chēng)重、尺寸測量以及光學(xué)和化學(xué)表征設備相兼容，還需要能有效防止外界污染。此外，我們可能還需要重新考量設計建筑和基礎設施，例如無(wú)人或者是機器人和人類(lèi)研究人員共同工作的全新的建筑架構。

AI時(shí)代已經(jīng)來(lái)臨。為了在實(shí)驗研究和材料發(fā)現中充分釋放AI的潛力，為硅基智慧提供“手”（材料合成加工/樣品轉移/設備模塊重組）和“眼睛”（材料表征/多模態(tài)感測）至關(guān)重要。建立一個(gè)穩健的AI對于現實(shí)世界的感知反饋系統J非易事。但是，隨著(zhù)AI實(shí)驗室的正確配置和相互鏈接（核心是標準化接口和模塊化設備），以及廣泛共享的專(zhuān)業(yè)知識，強大的AI自主實(shí)驗室可能會(huì )徹底改變材料研究。

未來(lái)云端實(shí)驗室可以被建設在太陽(yáng)能/風(fēng)能充足的荒漠中，科研人員可以從全世界任意一個(gè)地方控制云端實(shí)驗室。園區內的兩大主體——數據流和物質(zhì)流，將分別由互聯(lián)的AI網(wǎng)絡(luò )和機器人網(wǎng)絡(luò )負責運載。（本圖由MidJourney + Adobe Firefly生成）

云端實(shí)驗室內部由一個(gè)個(gè)的模塊組成。每一個(gè)模塊就像一個(gè)代碼中的函數，有著(zhù)清楚的輸入輸出規范，例如輸入的材料樣品需要符合某個(gè)標準化的尺寸/形態(tài)。不同模塊之間由輪式機器人或小型無(wú)人機進(jìn)行樣品傳送。