近日，我院孙强教授课题组在《Nano Letters》上发表了题为“Self-Driving Laboratory for Accelerated On-Surface Synthesis under Ultrahigh Vacuum”的研究论文，通过构建一个闭环自驱动实验平台，集成自动化控制系统与机器学习优化算法，可在无需人工干预的情况下实现对超高真空环境下表面反应过程的智能探索与参数调控。本研究尝试解决超高真空条件下自动化实施的技术难题，同时也为材料科学与人工智能的融合提出了新思路。
超高真空环境下如表面合成过程设备复杂，通常依赖经验驱动的参数调节，操作复杂且效率低下，难以应对高维实验空间中多变量的协同优化问题。自驱动实验系统通过集成自动化控制与智能优化算法，能够在无需人工干预的情况下，基于实验反馈不断迭代优化反应条件，显著提升实验效率与结果可重复性。
图1 自驱动实验平台的架构。
利用这一自主实验系统，在本研究中孙强教授课题组选用 10,10'-二溴-9,9'-联二蒽作为前驱体分子，采用了由张统一院士团队开发的 BGOlearn 开源机器学习算法模型，结合贝叶斯优化与高斯过程回归，对石墨烯纳米带的生长参数进行预测与优化。结合机器人自动化技术，构建了集神经网络加热控制、图像识别与自动化表征于一体的智能实验平台。该系统对升温速率、最大退火温度和退火时间等关键参数进行精准调节与反馈控制，在高维参数空间中实现了高效的实验设计与闭环优化，为石墨烯纳米带的可控合成提供了支撑。
图2 石墨烯纳米带表面合成的优化策略
本研究不仅验证了自驱动实验平台在石墨烯纳米带合成中的有效性，还展示了其在多参数优化与实验流程自动化中的高度通用性。通过集成可拓展的硬件架构与模块化的算法接口，该平台未来可适用于不同前驱体分子、衬底类型及合成策略的快速适配与迭代优化。这为推动表面化学、自组装反应及低维材料合成的智能化、标准化发展提供了技术支撑与实验基础。
本研究由上海大学材料基因组工程研究院（MGI）智能化表面科学和纳米制造课题组完成，孙强教授为通讯作者，硕士生李易璋主要负责自动化设备部分搭建、黄琦负责人工智能算法集成。研究得到了中国国家自然科学基金的支持（No. 22072086, No. 22302120）。
MGI智能化表面科学和纳米制造课题组近年来聚焦于利用数据挖掘、机器学习和人工智能方法，结合高通量实验手段探索人工智能在表面科学中的应用，以及开展新型表面化学反应的探索。致力于培养具备“重基础、跨学科、国际化”理念的材料基因特色人才。
课题组网站：https://www.qiangsungroup.cn/
论文链接：https://pubs.acs.org/doi/full/10.1021/acs.nanolett.5c02445