《Materials》：High-Throughput Methods in Materials Science (Part I): A Review of Chemical and Physical Methods and Automated Sample Logistics
编辑推荐：
人工智能（AI）和机器学习（ML）算法具备加速新型材料设计的能力，然而，在材料科学中，其进展受到实验数据严重匮乏（通常称为数据饥饿）的根本性制约。与溶液化学中高通量（HT）技术已成为成熟标准不同，固体材料——特别是聚合物和多组分复合材料——的自动化合成带来了极
人工智能（AI）和机器学习（ML）算法具备加速新型材料设计的能力，然而，在材料科学中，其进展受到实验数据严重匮乏（通常称为数据饥饿）的根本性制约。与溶液化学中高通量（HT）技术已成为成熟标准不同，固体材料——特别是聚合物和多组分复合材料——的自动化合成带来了极大的工程挑战。此外，传统手动研究模式因人为偏见而存在固有缺陷，尤其是系统性地不发表负面结果，这剥夺了AI模型关于设计空间边界的关键信息。本文是一个三部分综述系列的第一部分，该系列定义了用于闭环发现的完全自动化、无偏见的“数据工厂”架构。本节聚焦于HT工作流的物理基础：实验规划、自动化合成和材料管理。重点强调了从经典离散实验设计（DoE）到新颖连续梯度实验设计（CG-DoE）概念的范式转变。文中综述了利用精确重力学和体积进料器、结合挤出机和在线毛细管流变仪的机器人平台如何实现热塑性塑料和复合材料的无缝、高通量制造。同时，提出了一种创新的样品物流方法，通过实施连续材料管理重新定义了经典存储模式。这包括直接物理标记（例如在连续长丝或薄膜上进行喷墨标记）、基于线轴的传输系统和精确的实时元数据映射。研究表明，这些系统的集成使生产力提高了数个数量级（每年生成数万种新材料变体），大幅降低了单位成本，并产生了TB级的标准化机器可读数据。建立这种可靠的硬件和分析基础设施是释放人工智能在先进材料工程中全部潜力的必要第一步。
- 1.
引言
人工智能（AI）和机器学习（ML）算法近年来已达到前所未有的成熟度，有望从根本上加速新材料的设计。然而，在材料科学领域，这些系统日益遭遇一个根本障碍：数据饥饿现象。预测模型绘制新合成路径的能力直接受限于严重缺乏可访问、标准化、多维且大规模生成的、完全机器可读的实验数据集。理解这一缺陷需要审视实验室方法的演变。虽然高通量（HT）技术——主要基于自动化液体处理——几十年前就成为化学科学和药理学中的标准，但材料工程在这方面面临严重的硬件和技术瓶颈。自动化生产固态材料，包括先进热塑性塑料、陶瓷以及具有复杂流变特性的聚合物，仍然是一项巨大的工程挑战。一个更大且几乎完全未被开发的领域是复合材料。必须结合基本不同类别的材料并严格控制严格的加工制度，这使得其高通量制造极其困难。这种技术壁垒常常加剧了科学界强烈的保守主义。坚持传统的、手动的和手工创建单个样品的方法导致生产率极低，并主动减缓了向自动化实验室的转型。此外，这种传统工作流对AI发展带来了另一个极具破坏性的后果：知识的系统性丢失。在经典范式中，人类研究人员充当决定传播哪些数据的过滤器。负面结果——例如失败的合成、材料降解或低于预期参数——由于固有的发表偏见和学术成功压力而被广泛边缘化，很少发表。然而，从机器学习算法的角度来看，正是这些关于“失败”的数据定义了物理化学设计空间的关键边界。缺乏负面数据不可避免地导致训练出扭曲的模型，这些模型无法进行广泛的泛化。
实施自动化高通量方法是打破这一僵局的一条有希望的路径。机器人HT平台不仅通过加速实验时间表来解决通量问题；从根本上说，它们作为客观的数据工厂，不考虑人为因素。每个实验，无论其结果如何，都被视为完全有效的、经过严格标记的信息。
给定跨学科的复杂性，本文构成了一个三部分综述系列的第一部分，致力于闭环材料发现的架构。本节侧重于基础且可以说是最具挑战性的阶段：在严苛的固态和聚合物材料环境中HT实验的物理执行、自动化和管理。它对经典研究方法进行了批判性回顾，同时强调了从离散实验设计（DoE）到基于连续梯度的新型方法所必需的范式转变。此外，还讨论了机器人合成中的工程挑战，并探讨了样品物流的新方法，包括连续材料管理和实时数字标记。确立了这些目标后，物理硬件基础是生成海量高质量数据的先决条件，这些数据是未来材料工程中释放人工智能全部预测能力所必需的。
1.1. 本综述的动机
近年来，大量综述文章探讨了人工智能、自动化和高通量实验在材料科学中日益迅速的融合。尽管取得了这些进展，大多数现有综述主要关注人工智能、机器学习算法、自主决策或自主实验室的一般概念。相对较少的关注集中在生成高质量、机器可读实验数据所需的物理和后勤基础设施上。据研究人员所知，此前尚无分析对高通量材料实验室的完整硬件架构进行系统检查，包括自动化合成平台、机器人处理系统、样品存储架构、材料跟踪技术和FAIR兼容的元数据管理。本分析旨在通过关注实现自主材料研究环境所需的实验和操作基础来填补这一空白。
1.2. 综述系列的结构
鉴于高通量材料工程的广泛范围，该综述分为三个互补的部分，涉及自主材料发现的连续阶段。第一部分（本手稿）侧重于高通量实验的物理和后勤基础，包括自动化合成、材料加工、机器人处理、样品识别、存储系统和元数据管理。第二部分将集中于高通量表征技术、传感器集成、原位（in situ）和工况（operando）测量以及从多模态数据集中提取特征的方法。最后，第三部分将讨论数据驱动的材料工程，涵盖人工智能、机器学习、数字孪生（digital twins）、自主优化策略和自驱动实验室（self-driving laboratories）的架构。这三个部分共同提供了闭环材料发现平台所需基础设施的全面概述。
- 2.
目标定义与实验设计
2.1. 目标定义
规划高通量实验的第一步是定义研究目标和相应科学问题。这些目标必须明确，并以可通过自动化方法测量和评估的方式定义。在此阶段，必须指定性能指标，以定量描述所研究的材料。这些指标包括单个参数、包含多个参数的综合指标以及多标准函数。确定这些目标的核心要素是实验参数的正式定义，包括与化学成分、合成条件、材料架构、掺杂和后处理参数相关的变量。由于参数的大范围和高非线性，在经典实验方法中，有必要缩小参数选择范围并确定具有最大应用潜力的参数。而使用高通量方法可以增加研究的参数数量。定义研究目标和范围的来源包括文献综述、初步模拟和计算模型的数据以及专家领域知识。
2.2. 实验设计
实验设计（DoE）是一种正式的统计方法，用于系统规划、执行和分析实验，以确定哪些因素影响给定过程或现象。其首要目标特别是在高通量实验中，是通过高效探索多维参数空间，从最少数量的测量中获得最大量的信息。在经典DoE中，实验空间被离散化为有限的因子水平集。相比之下，连续梯度实验设计（CG-DoE）将因子水平的离散采样替换为跨空间或时间域的一个或多个参数的准连续变化。CG-DoE不是进行孤立的实验运行，而是实施梯度（例如成分、热、压力或时间相关梯度），其中大量实验条件被编码在单个样品或实验中。经典DoE与CG-DoE之间的根本区别在于设计空间的表示和采样：经典DoE在由预选水平定义的离散点处采样参数空间，而CG-DoE沿着一个或多个梯度连续采样参数空间。因此，单个实验可以编码大量有效条件，显著提高通量和分辨率。
- 3.
自动化合成与材料制备
利用人工智能工具和机器人技术进行前驱体自动化合成和材料制备正日益改变现代材料工程，使快速发现新化合物和优化其性能成为可能。自动化合成和样品制备技术的选择是设计和执行工作流的关键要素之一。
3.1. 前驱体合成
3.1.1. 溶液相合成
基于溶液的方法涵盖了多种技术，包括溶胶-凝胶（sol–gel）法、共沉淀法、水热和溶剂热合成以及微体积合成。溶液合成的优势在于其对修改化学成分、pH值、试剂浓度和反应条件具有高灵活性。同时，确保控制过程重现性和动力学仍然具有挑战性。Chemputer是一个广泛使用的固定系统，采用注射泵和多端口阀来组合试剂、进行相分离并按预定序列进行过滤。SynBot是另一个用于自动化批量合成的平台，由三部分组成：人工智能辅助的逆合成软件、控制机器人部分的软件以及包括分配模块、反应站和分析组件的物理硬件。AutoSyn是一个流动合成平台的例子，专为毫克至克规模的药物制造而设计。AlphaFlow是另一个流动合成平台，将微流体通道与专用控制软件集成，基于单周期视界内的强化学习，其操作策略依赖于集成神经网络（Ensemble Neural Networks）。
3.1.2. 固相合成
粉末固态合成是生产催化、陶瓷和电极材料的关键部分。自动化依赖于机器人配料、混合和烧结。使用的系统基于重力进料和连续称重以及自动混合磨机。HT粉末合成中的一个关键挑战是确保成分均匀性和控制粒度分布。
3.1.3. 平行反应器
平行反应器构成了高通量系统中实验基础设施的关键组成部分，能够在严格受控但多样化的加工条件下同时执行大量合成或材料反应。反应可以在几种配置中进行，包括微流体流动反应器、间歇反应器阵列、高压高温反应器以及气相反应器。
3.2. 材料制备
3.2.1. 熔融加工
感应熔炼基于使用交变电磁场在导电材料中产生涡流，导致其加热和熔化。自动化基于可编程逻辑控制器（PLC）和数据采集与监视控制系统（SCADA）。弧熔炼（包括真空电弧重熔（VAR））广泛用于生产高纯度合金。自动化焊接是一种广泛使用的材料制备方法，可实现重复熔合、连接和成型。现代系统利用焊接机器人、多轴机械手、视觉传感器和一组数字控制参数，允许精确控制熔池并自动跟踪编程轨迹。
3.2.2. 粉末与烧结
金属和合金：金属烧结正迅速从传统的热操作演变为高度自动化、高通量的制造阶段。现代生产设施使用半自动和全自动炉生产线，包括配备托盘输送机的隧道式放电等离子烧结（FAST/SPS）系统。在激光金属烧结中，使用光电二极管进行原位光学监测，可实时检测熔池不稳定性、孔隙率和其他缺陷。
陶瓷：喷雾干燥是生产具有受控尺寸分布的球形颗粒的广泛使用的方法。其他造粒方法如湿法制粒，自动化取得了显著进展，这归功于计算流体力学-离散元法（CFD-DEM）建模和数字孪生系统。干法制粒中的辊压工艺得到了过程分析技术（PAT）工具的良好支持。球磨是核心的机械化学技术，现代自动化侧重于三个领域：性能优化、远程监控和高通量样品处理。
烧结：烧结是在热和/或压力作用下粉末物质（金属、陶瓷）的固结和致密化过程。现代烧结工艺越来越依赖先进的过程监控（in situ monitoring）和控制系统。热压（Hot pressing）是一种广泛用于制造陶瓷、微电子和复合材料的技术。在压制领域，一个关键趋势是与陶瓷混合物制备相关的操作完全自动化。
3.2.3. 薄膜
薄膜技术用于光伏、电子、表面催化和传感等领域。溅射（Sputtering）是可以完全自动化的薄膜技术之一。化学气相沉积（CVD）通过气态前驱体在衬底表面或附近发生化学反应来产生薄膜。脉冲激光沉积（PLD）基于使用高能激光脉冲烧蚀靶材，该方法已用于自动化闭环系统。在高通量平台中，薄膜技术经常以组合模式实施，能够同时制造具有成分或工艺参数梯度的材料库。
3.2.4. 模塑
聚合物：挤出过程涉及加热原料聚合物直至熔化，然后在螺杆产生的压力下迫使物料通过口模。聚合物挤出目前正在向“智能”解决方案和工业4.0转型。注射成型和吹塑是循环制造技术，用于生产高精度热塑性部件。现代成型系统集成先进的传感、人工智能控制和数字连接。中央进展领域包括人工智能启用的温度和工艺控制、自动化的速度-压力切换（V/P switchover）、多模态在线质量控制、针对回收聚合物波动的自动粘度（“auto-viscosity”）系统以及数字孪生和计算机辅助工程（CAE）增强控制。
3.2.5. 增材制造
金属和合金：金属增材制造（AM）（包括粉末床熔融（PBF）和定向能量沉积（DED））目前正经历向全面自动化和工业4.0的转型。现代系统越来越依赖多模态原位监测，结合高速光学相机、光电二极管、声学传感器以及红外或热成像。为了解释数据流，制造商正在部署机器学习模型，能够以超过90%的准确率识别孔隙率、裂纹等缺陷。自动化还扩展到机器人路径规划，并采用数字孪生。
聚合物：聚合物的增材制造包括熔融长丝制造（FFF）、立体光刻（SLA）、数字光处理（DLP）和选择性激光烧结（SLS）。现代FFF系统越来越多地纳入原位监测，使用加速度计、声发射传感器和红外相机。SLA和DLP自动化严重依赖数据驱动预测和材料优化。SLS系统结合了原位监测，并使用多模态传感器和深度学习模型检测层级缺陷。
3.3. 自动化
实验室过程的自动化将传统有机和无机合成转变为机器控制的工作流，使人力资源从繁琐重复的任务中解放出来，同时加速新材料发现。现代自动化平台的一个关键方面是将硬件与高级软件和合成规划算法集成。
3.3.1. 机器人手臂
机器人手臂在自动化工作站中充当各个模块之间的连接器，用于精确转移样品。它们可以安装在固定平台或线性导轨上，显著提高工作范围和灵活性。工业机器人的重复定位精度通常在±0.01 mm至±0.1 mm范围内。
3.3.2. 进料站
基材的精确配料是可重现合成的基础。进料站负责自动化输送材料、试剂和组件。对于固体分配，采用自动称重系统。失重式喂料机（Loss-in-weight feeders）由PLC系统控制，确保稳定精确的流动。液体分配自动化依赖于机器人移液系统或精密泵。
3.3.3. 机械手
机械手是一类专用设备，旨在对样品或实验室组件执行精确复杂的操作。与机器人手臂不同，机械手通常专用于特定任务或用作安装在机器人手臂上的末端执行器。它们能够快速交换末端执行器，使单个机械手能够充当容器夹持器、配料工具甚至机械研磨机。
- 4.
样品识别与管理
4.1. 存储
4.1.1. 存储类型
静态存储：样品保存在固定位置，如货架或盒中。这种系统基于简单架构，具有高可靠性。在高通量过程中，静态存储用于参考或存档样品的长期存储。
动态存储：样品在存储区域内主动移动以优化访问或空间利用率。空间分配实时进行，防止系统阻塞。通常与控制系统集成允许根据当前实验需求自适应重组仓库。
冷存储：为化学、生物或物理敏感样品提供适当的温度条件。包括冷藏室和冷冻柜，采用潜热冷存储（LHCS）系统等技术。
带式存储：基于传送带或输送机的系统，用于计划工作流中连续阶段的短期存储或运输。优势是高通量，但随机访问灵活性降低。
抽屉式存储：基于模块化柜子或匣子，可独立拉出并由机器人手臂自动操作。提供高密度存储和快速访问。
4.1.2. 存储功能
存储系统可分为三类：短期存储（用于单个实验过程中的临时保存）、长期存储（用于长期存档或参考）和缓冲存储（作为合成与生产模块之间的中介，平衡速率差异）。
4.1.3. 存储自动化
自动化存储系统包括自动存储和检索系统（AS/RS）、流动架系统（flow-rack）、穿梭车系统（shuttle-based）和旋转式系统（carousel-based）。这些系统确保快速可重复的样品访问、明确的可追溯性以及与控制系统和实验规划系统的完全集成。
4.2. 标记
在高通量环境中，保持完整的样品识别至关重要。最常见的识别方法是条形码（barcoding），特别是一维和二维（如QR码）。射频识别（RFID）技术依靠无线通讯，无需视线即可识别。近场通信（NFC）是RFID的一种变体，主要用于自动和手动阶段之间的接口点。计算机视觉跟踪（Computer Vision Tracking）是一种无标记方法，基于图像识别算法。颜色编码标记（color-coded marking）可作为补充。这些技术共同确保了样品在整个生命周期中的可追溯性。
4.3. 元数据
元数据是物理样品与其在数字管理系统中的数字表示之间的链接。遵循FAIR原则（可查找、可访问、可互操作、可重用），元数据管理系统必须确保这些特性。实施包括通用元数据框架（如都柏林核心）和专门倡议（如材料基因组计划（MGI）、NOMAD、OPTIMADE）。为了实现真正的互操作性，元数据表示越来越依赖形式本体（ontologies）和语义数据模型，如JSON-LD。在高通量和自动化环境中，元数据收集应直接嵌入工作流中。元数据可分为唯一标识符（UID）、位置元数据和合成条件元数据。
- 5.
挑战与未来方向
尽管在合成、加工和表征技术的自动化方面取得了快速进展，但开发完全自主的高通量材料发现平台仍面临许多基本挑战。主要限制之一是材料过程固有的复杂性和多尺度性质，通常涉及高度非线性的耦合物理化学现象。另一个主要挑战是数据集成和标准化。从自动化角度来看，许多材料加工技术仍仅部分自动化，参数调整、过程稳定和决策仍严重依赖操作员的经验和知识。未来，人工智能和机器学习与实验平台的集成将实现“自驱动实验室”。数字孪生的实施将实现预测建模和实时故障检测。多模态传感和传感器融合的进步有望显著改善过程可观测性。模块化、可互操作的自动化架构的发展将促进不同合成和加工技术在统一高通量平台中的集成。最终，自动化流程、先进检测技术和数据驱动方法有望将材料工程从一门主要基于经验的学科转变为预测性、自主性和数字化集成的领域。
- 6.
总结
本出版物是一个三部分综述的第一部分，致力于材料工程中的高通量（HT）合成和表征方法，重点关注硬件和后勤研究架构。解决的基本科学问题是“数据饥饿”现象，这是人工智能（AI）和机器学习（ML）算法在先进材料设计中实施的障碍。提出的解决方案是实施全自动HT平台作为客观的“数据工厂”。文中回顾了从经典离散实验设计（DoE）向连续梯度实验设计（CG-DoE）范式转变的必要性。描述了先进的机器人基础设施，包括液体和固相前驱体合成的自动化。特别关注了与固体材料和复合材料自动化加工相关的工程挑战。综述分析了智能聚合物挤出、注射成型、金属熔炼、现代粉末冶金和烧结以及增材制造等技术的进步。物理集成通过多轴机器人手臂、精密机械手和自动配料站实现。连续材料管理的实施是关键元素，需要先进的存储系统（静态、动态、冷、带式、抽屉式）和物理标记方法（条形码、RFID、计算机视觉）来管理符合FAIR原则的元数据。主要限制包括物理化学过程的高度非线性动力学、缺乏可靠的原位监测技术以及自动化解决方案的碎片化。未来将由传感器数据融合、数字孪生和AI算法的深度融合塑造，最终实现自主的“自驱动实验室”。
