美国芝加哥大学普利兹克分子工程学院团队开发出一套自驱动实验系统。它会自己“种”材料，可以自主完成整个材料合成与优化流程，无需人工持续干预。该系统结合机器人自动化与机器学习算法，可自主决定下一步实验方案，实现从实验执行、性能测量到结果分析的全闭环运行。这种方法有望广泛应用于硬质材料合成领域，并最终拓展至复杂的量子材料制备，预示着一种全新的制造模式问世。

　　在制造用于电子、光学和量子技术的金属薄膜时，科学家通常需要耗费数月时间反复调整工艺参数，如温度、材料成分和反应时间，以期找到最优的制备条件。这一过程依赖大量试错，进展缓慢。此次新系统实现了全流程自动化：运行实验、测量结果，并将数据反馈给机器学习模型，由模型指导下一次实验。

　　该系统聚焦于物理气相沉积（PVD）技术，即通过加热银等金属使其蒸发，随后在基底表面凝结形成超薄薄膜。PVD过程对温度、时间、材料纯度及环境条件极为敏感，微小差异都可能导致结果波动，因此长期以来难以准确预测。传统方法依赖人工逐次调整参数，每次实验周期通常耗时一天以上，效率低下。为解决这一问题，团队从零开始搭建了一套完整的机器人系统，能够自动完成PVD的全部步骤，包括样品处理、薄膜制备和性能检测。

　　随后，团队与计算机科学家合作，开发了专用的机器学习算法指导系统进行合成、分析，并动态调整后续实验条件。团队只需输入所需薄膜的性能指标，机器学习模型便会自主规划实验路径，并逐步逼近目标。为应对实验中难以避免的随机扰动，例如基底表面的微小差异或真空室内的微量气体，系统在每次新实验开始时，会先制备一层极薄的“校准层”，帮助算法识别当前环境条件，从而提升预测准确性。

　　为验证系统性能，团队设定一个目标——制备具有特定光学特性的银膜。银作为一种结构简单、机理清晰的材料，是理想的测试对象。在实际运行中，该自驱动系统平均仅用2.3次实验即达成目标。在数十次连续运行中，系统全面探索了不同工艺条件的影响，相当于人类团队耗时数周才能完成的工作量。

　　值得一提的是，整套装置成本比此前商业实验室开发的同类自动化系统便宜一个数量级。