麻省理工推出AI驱动自主材料发现平台，突破燃料电池功率密度纪录

景点排名 2025年09月26日 21:54 3 admin

信息来源：https://news.mit.edu/2025/ai-system-learns-many-types-scientific-information-and-runs-experiments-discovering-new-materials-0925

麻省理工学院研究团队开发的CRESt（现实世界实验科学家副驾驶）平台正在重新定义材料科学研究的边界。这个集成了人工智能、机器人技术和多模态学习的系统，在短短三个月内探索了900多种化学物质，成功发现了一种突破性的燃料电池催化剂材料，其功率密度创下新的世界纪录。

该平台由麻省理工学院工程学院卡尔·理查德·索德伯格动力工程教授李巨领导的团队开发，代表了材料科学从传统试错方法向智能化、自主化研究模式的根本性转变。与传统的单一数据流机器学习方法不同，CRESt能够同时处理和分析来自科学文献、化学成分、微观结构图像、实验数据等多种信息源，模拟人类科学家的综合思维过程。

突破传统材料发现瓶颈

材料科学长期以来面临着实验周期长、成本高、可重复性差等挑战。传统的贝叶斯优化方法虽然在某些领域取得成功，但其局限性日益明显。李巨教授解释道："基本的贝叶斯优化过于简单化，就像在一个封闭的盒子里调整已知元素的比例，但真正的材料发现需要更广阔的探索空间和更复杂的依赖关系分析。"

CRESt的核心创新在于其多模态学习能力。系统不仅能够分析实验数据，还能从科学文献中提取知识，理解化学元素的特性和相互作用，并通过计算机视觉技术监控实验过程。这种综合性的信息处理能力使得CRESt能够做出更准确的预测和更有针对性的实验设计建议。

该系统的机器人设备阵列包括液体处理机器人、碳热冲击合成系统、自动化电化学工作站、电子显微镜和光学显微镜等先进设备。这些设备通过精密的自动化控制系统协调工作，能够24小时不间断地进行材料合成、表征和性能测试。

燃料电池技术的重大进展

在CRESt平台的首次重大应用中，研究团队将目标锁定在直接甲酸盐燃料电池的催化剂材料开发上。这类燃料电池被认为是未来清洁能源技术的重要组成部分，但长期以来受到催化剂成本高昂和性能不稳定的制约。

经过三个月的intensive研究，CRESt发现了一种由八种元素组成的多元素催化剂。这种材料不仅在成本效益方面表现出色，每美元的功率密度比纯钯催化剂提高了9.3倍，而且在实际燃料电池测试中创造了新的功率密度纪录，同时贵金属用量仅为传统设备的四分之一。

博士生张振作为论文第一作者之一，强调了这一突破的重要性："燃料电池催化剂的一个重大挑战就是对贵金属的依赖。我们的多元素催化剂结合了多种廉价元素，创造了最佳的催化活性配位环境，同时增强了对一氧化碳等毒化物质的抗性。"

这一成果的意义不仅在于性能的提升，更在于为燃料电池技术的商业化应用扫清了重要障碍。传统燃料电池因为对铂、钯等贵金属的高度依赖，成本始终居高不下，限制了其广泛应用。CRESt发现的低成本高性能催化剂为这一问题提供了解决方案。

人机协作的新模式

CRESt系统的另一个重要特点是其直观的人机交互界面。研究人员可以用自然语言与系统对话，无需编程知识即可指导实验方向。系统不仅能理解研究目标，还能在实验过程中提出观察和假设，真正实现了人机协作的科研模式。

为了解决材料科学实验中常见的可重复性问题，CRESt集成了先进的计算机视觉和视觉语言模型。这些模型能够实时监控实验过程，识别潜在问题，并向研究人员提供文字和语音形式的解决建议。在实际应用中，系统已经能够检测到样品形状的毫米级偏差、移液器的位置偏移等细微问题，显著提高了实验的一致性和可靠性。

李巨教授强调，CRESt的设计理念是成为研究人员的助手而非替代品："人类研究人员仍然是不可或缺的。我们使用自然语言交互，让系统能够解释其行为并分享观察结果和假设。这是向更灵活的自主实验室迈出的重要一步。"

未来科学研究的范式转变

CRESt平台的成功展示了人工智能在加速科学发现方面的巨大潜力。与传统的单一数据源机器学习模型相比，CRESt的多模态学习方法更接近人类科学家的思维方式，能够综合考虑实验结果、文献知识、经验直觉和同行建议。

该系统的工作流程体现了现代科学研究的新特点：首先，CRESt从科学文献中搜索相关元素和前体分子的信息，构建初始知识基础；然后，基于这些信息和人类研究人员的指导，系统设计实验方案并控制机器人设备执行；实验过程中，多种传感器和分析设备实时收集数据；最后，所有信息被反馈到大型多模态模型中，用于优化下一轮实验设计。

这种闭环式的学习机制使得CRESt能够在实验过程中不断改进自己的预测能力和实验设计水平。每一次实验不仅产生具体的材料性能数据，还为系统的知识库增添新的内容，形成积极的反馈循环。

CRESt平台的发布标志着材料科学研究进入了一个新的时代。传统的材料发现过程往往需要数年甚至数十年的时间，而基于AI的自主实验系统有望将这一周期缩短到数月甚至数周。这不仅将加速新材料的发现速度，还将为解决能源、环境、健康等领域的重大挑战提供强有力的技术支撑。