去年发表在《自然》(Nature)杂志上的一篇论文报道说，利用人工智能引导的自主实验室发现了40多种新材料。对此，一篇评论认为，没有发现新材料。
这个实验室被称为a - lab，由美国劳伦斯伯克利国家实验室的曾燕(Yan Zeng)和Gerbrand Ceder领导的团队与谷歌DeepMind的研究人员合作开发，并使用机器学习工具来规划和解释机器人进行的实验结果。
研究小组报告说，在17天的独立运作中，a - lab每天进行21次实验，在58次实验中产生了41种新的无机化合物，成功率为71%。研究人员表示，通过对实验室的计算技术和决策算法进行微小的修改，这一成功率可以进一步提高。
然而，在a - lab的论文于2023年11月底发表后不久，英国伦敦大学学院的材料化学家罗伯特·帕尔格雷夫(Robert Palgrave)就强调了该论文存在“非常严重的问题”，并对实验分析的质量表示了担忧。
帕尔格雷夫最初在Twitter上分享了他的担忧，后来美国普林斯顿大学的材料化学家莱斯利·斯库普联系了帕尔格雷夫，问他是否愿意与他合作，对a - lab的论文进行更全面的分析。该分析现已作为预印本发布在ChemRxiv服务器上。
帕尔格雷夫和斯库普曾试图重复a实验室的原始分析，现在他们发现了“自始至终的系统性错误”，帕尔格雷夫说，这些错误可以归结为计算和实验工作的问题。
帕尔格雷夫解释说:“他们无法处理合成障碍的问题。”“在这种晶体结构中，原子按照有序的模式排列，但在这种模式中仍然可能存在无序。”
他补充说:“在固态化学中，大量的化合物中会出现成分紊乱……但很难用计算来处理。”“从计算上讲，计算完全有序的事物要容易得多……当你加上这层无序时，计算就变得困难得多。”
帕尔格雷夫和他的同事们发现，A-Lab团队计算的结构中没有一个存在成分紊乱。“他们没有意识到的是，他们的全部预测中有三分之二只是已知无序化合物的有序版本。”
Palgrave还在原始报告中强调了x射线衍射(XRD)分析的问题，特别是由于使用人工智能进行Rietveld细化;用于表征晶体材料的一种技术。帕尔格雷夫和斯库普得出的结论是，人工智能无法很好地完成任务，无法准确识别这些化合物。
帕尔格雷夫说:“(Rietveld的改进)非常糟糕，非常初级，完全是人类的新手水平——这导致他们在某些情况下错误地识别东西，不知道混合物中有什么化合物。”“所以，不幸的是，最终他们可能没有任何发现。”
他补充说:“在过去的12个月里，人工智能取得了巨大的进步，我认为它可能会对包括固态化学在内的每个领域产生重大影响。”“但现在有一种倾向，认为人工智能现在必须改变一切……可能传递的信息是，在更多的技术领域，这需要更长的时间，我们不应该指望一切都能在一夜之间改变。”
美国佛罗里达州立大学固态化学专家Susan Latturner说，A-Lab论文中提出的方法“非常有趣”，“值得高水平发表”。然而，她补充说，在目前的条件下，这种方法似乎对分子化合物比无机固体更有效。
她解释说:“这是因为当分子化合物的组成发生变化时，它的分子包装、晶体结构和性质会以一种非常明显的方式完全改变。”“但如果你用扩展的无机固体做类似的事情，你可以得到低水平的随机替代或掺杂——整体结构可以保持不变，看起来像同样的材料，但性质可以发生巨大变化。”
这是帕尔格雷夫在观察粉末x射线衍射图时注意到的。A-Lab制造的不同产品的许多PXRD图谱是相同的。拉特纳补充说:“A-Lab已经制造了同一化合物的几种取代变体，它们保持了相同的结构。”“但由于人工智能没有认识到替代和位点混合可能发生，它假设因为组成不同，这些是‘新化合物’。”
拉特纳总结说，为了正确分析衍射模式，人工智能系统需要接受训练，以处理现场混合的可能性。她说:“在那之前，需要一个知识渊博的人来分析数据，与数据库和文献进行比较，并确定实际制作的是什么。”
《化学世界》联系了Ceder实验室寻求评论，但在截稿前没有收到回应。
2023年12月，Ceder在领英(linkedIn)上回应了帕尔格雷夫最初的X分析。在这篇文章中，他提供了额外的数据，他认为这些数据证实了A-Lab已经成功地合成了论文中报道的化合物。然而，Ceder也强调，团队从未打算用人工智能代理取代材料发现过程。
他写道:“毫无疑问，人类可以对这些样本进行更高质量的改进。”“然而，我们的目标是展示一个自主实验室能做到什么，而不是展示最优秀(或一般)的人类在A-Lab外部能做什么。”
茱莉亚以科学通讯员的身份加入了《化学世界》团队
2023年5月到期。在此之前，她花了8年时间领导临床和科学公司
英国皇家药学会(Royal Pharmaceutical Society)的官方期刊《The Pharmaceutical Journal》是药剂师的会员机构。查看完整档案
