摘要

本文提出了一个自主的化学合成机器人，用于探索、发现和优化由实时光谱反馈、理论和机器学习算法驱动的纳米结构，这些算法控制反应条件并允许选择性模板化反应。这种方法允许在探索周期之间将材料作为种子进行转移，开辟了像生物学中的基因转移一样的搜索空间。通过在线紫外可见表征对种子介导的多步合成金纳米颗粒(AuNPs)的开放式探索，仅在三个层次相连的化学空间中进行了约1000次实验，就发现了五类纳米颗粒。平台通过结合实验和消光光谱模拟来优化具有所需光学特性的纳米结构，以实现高达 95% 的产率。使用化学描述语言 (χDL) 和分析数据以通用格式输出合成过程，以产生独特的数字签名，从而实现合成的可重复性。

介绍

纳米材料具有独特的尺寸和形状可控的物理和化学特性，可应用于医学 、电子 、催化和量子技术领域。控制纳米材料的形态对于调整其独特特性（如光学、电学和磁学特性）至关重要。尽管可以可靠地制造某些类型的纳米颗粒，例如金纳米棒，但纳米材料的合成通常存在不可重复性、低产率和多分散性等问题。目前已经开发了各种自下而上的制造方法，包括电化学、光化学、生物模板 和种子介导合成，以产生具有所需特性的纳米材料。尽管有各种合成路线可供使用，但为具有高形状产量和单分散性的目标纳米结构寻找最佳条件是一项巨大的挑战。这是由于对试剂浓度 、试剂添加顺序、温度和混合速率等合成条件的高维度和敏感性。尽管具有这种敏感性，但仍然缺乏源自合成过程和合成验证的标准、稳健和独特的数字签名。当需要多步合成来实现目标纳米结构时，这些问题变得更加明显。

自主精密机器人架构的开发能够在机器学习 (ML) 算法的指导下以闭环方法进行并行实验，可以为解决高维和对合成条件的敏感性提供可行的途径。最近，已经为化学合成 、产品分离和在线表征开发了各种自主平台，它还被证明可以通过将自主平台与定制的 ML 算法相结合来加速材料发现。然而，最近纳米材料合成的自动化专注于用户定义的特定于目标的优化，无需探索，并且仍可能需要手动步骤。仍然缺乏一个公正地进行开放式探索和搜索多样化的高性能产品的系统。质量多样性 (QD) 算法例如具有本地竞争的新奇搜索或多维表型精英档案 (MAP-Elite) 已应用于多个领域，包括实时决策、自适应机器人控制、从头药物分子发现和新的原始细胞行为搜索 。与针对单一最高性能解决方案的经典优化算法相比，QD 算法可以找到具有多样化行为和高性能的解决方案，因此适用于探索化学空间并促进产品的多样性。

闭环自治系统的一个关键要求是选择适当的表征技术。各种表征技术，例如原子力显微镜、扫描电子显微镜、透射电子显微镜 (TEM) 、动态光散射和小角 X 射线散射被广泛应用于研究纳米材料的形态。尽管电子显微镜可以提供有关纳米结构的详细信息，但由于其成本和复杂性，在闭环中实施它仍然不切实际。考虑到金属纳米粒子的电磁特性对形态和组成的强烈依赖性，紫外-可见 (UV-Vis) 和红外 (IR) 等在线光谱是最佳且实用的表征技术，因此可用作结构指示剂。对于开放式探索，增加光谱模式的多样性可能会导致发现具有不同形态的纳米材料。

在这里，我们概念化并开发了一个用于纳米材料自主智能探索、发现和优化的系统 (AI-EDISON)，旨在发现和可重复的多步合成新型纳米材料，其独特的数字签名来源于物理性质和合成程序。实验架构执行纳米材料的并行合成以及实时光谱表征，并由 ML 算法和消光光谱模拟引擎辅助。AI-EDISON使用最先进的质量多样性算法探索高维组合合成空间进行开放式探索，然后进行有针对性的优化，寻找具有微调光学特性的纳米材料的最佳合成条件。它可以进一步用于通过资源高效的有向图策略与实时表征相结合，对它发现的任何所需纳米颗粒进行多步合成。使用有向图方法，完整的多步纳米粒子合成可以有效地表示为稳健的数字程序，避免由于操作错误导致的不可重复性。借助 AI-EDISON，我们研究了通过种子介导的金纳米粒子 (AuNP) 合成连接的三个化学合成空间，其中从较低层次空间合成的纳米粒子在较高层次空间中用作种子。通过使用 UV-Vis 光谱作为主要表征技术，我们从假设增加光谱的多样性可以导致对具有不同纳米结构的化学空间的有效探索开始。经过探索，使用模拟引擎创建目标，以进一步优化 AuNPs 的光学特性。这些链接的化学空间从单个物理种子初始化，并在各个级别上进行中间探索和优化步骤，表示为 我们研究了通过种子介导的金纳米粒子 (AuNP) 合成连接的三个化学合成空间，其中从较低层次空间合成的纳米粒子在较高层次空间中用作种子。通过使用 UV-Vis 光谱作为主要表征技术，我们从假设增加光谱的多样性可以导致对具有不同纳米结构的化学空间的有效探索开始。经过探索，使用模拟引擎创建目标，以进一步优化 AuNPs 的光学特性。这些链接的化学空间从单个物理种子初始化，并在各个级别上进行中间探索和优化步骤，表示为 我们研究了通过种子介导的金纳米粒子 (AuNP) 合成连接的三个化学合成空间，其中从较低层次空间合成的纳米粒子在较高层次空间中用作种子。通过使用 UV-Vis 光谱作为主要表征技术，我们从假设增加光谱的多样性可以导致对具有不同纳米结构的化学空间的有效探索开始。经过探索，使用模拟引擎创建目标，以进一步优化 AuNPs 的光学特性。这些链接的化学空间从单个物理种子初始化，并在各个级别上进行中间探索和优化步骤，表示为图1A。

图1，在种子介导的纳米粒子合成中探索和优化的闭环方法。

（一）种子介导合成中分级连接的化学合成空间中金纳米粒子的图示。（二) 分别用于探索 [(i)，蓝色循环)] 和优化 [(ii)，红色循环] 的闭环方法。在探索中，提取样品的 UV-Vis 特征以分别评估它们的行为和性能。新的实验旨在增加样品的光谱多样性和性能。经过探索，TEM用于揭示高性能样品的形态，通过消光光谱模拟引擎为优化提供目标光谱。在优化过程中，将样品的 UV-Vis 光谱与目标光谱进行比较，并设计新的实验来搜索与其具有高度光谱相似性的多个纳米结构。

用于发现纳米材料的整体闭环算法方案包括两种不同的模式：探索和优化（图 1B）。对于每个完整的闭环，AI-EDISON 执行三个不同的步骤，分别对应于纳米粒子合成、UV-Vis 表征和清洁，以及使用 ML 算法设计新实验。在探索模式中，纳米粒子的结构多样性是通过在行为空间中寻找多样性来实现的。这种行为多样性来源于在 UV-Vis 光谱中观察到的特征，例如峰数和位置。适合度是样品性能的数字指示，根据与纳米颗粒的产量和单分散性相关的峰突出度和宽度进行评估。从以前的合成条件产生了一批新的实验，从而产生了更高性能的样本和多样化的特征。包括三个步骤的过程会不断迭代，直到探索完成。探索后，TEM 被用作二次表征技术，以检查具有高性能 UV-Vis 特征的纳米粒子的形态。在优化模式中，目标光谱由纳米粒子的消光光谱模拟定义，其形状来源于电子显微照片。这种具有消光光谱模拟的策略将优化目标扩展到具有探索中不直接可用的特征的纳米结构。因此，由于 UV-Vis 光谱和纳米结构之间缺乏一对一的映射，各种形态可能导致与目标相似的光谱。

结果

AI-EDISON：自主纳米材料合成机器人及其表征

核心机器人硬件由一个化学反应模块组成，能够并行合成多达 24 个反应器。模块化架构使用日内瓦轮的旋转，与平行/顺序液体分配和试剂搅拌同步，以有效地进行合成。使用高精度注射泵的组合，控制系统执行液体处理、混合、清洁、动态 pH 控制、样品提取/转移和在线光谱分析。除光谱仪和光源外，化学反应模块与储备溶液一起包含在温度控制箱中，用于微调反应条件以确保重现性。该模块配备了用于样品储存的种子提取系统，以从先前合成的纳米粒子中运行新的反应。对于 AuNPs 的发现，闭环包含三个步骤，包括：(1) 平行种子介导合成的一批反应条件，这些反应条件由需要液体分配和动态 pH 控制的算法建议，(2) 产品的光谱分析以及清洁步骤，为下一步做准备合成，以及 (3) 涉及特征提取的数据分析，以使用 ML 算法生成新的反应条件。完整的迭代周期、化学反应模块和整体实验平台如图所示涉及特征提取的数据分析，以使用 ML 算法生成新的反应条件。完整的迭代周期、化学反应模块和整体实验平台如图所示涉及特征提取的数据分析，以使用 ML 算法生成新的反应条件。完整的迭代周期、化学反应模块和整体实验平台如图2所示。

图 2，自主纳米材料发现平台。

( A ) 闭环的工作流程，包括算法的综合、分析和设计新实验。建立闭环需要三个步骤 (1) 到 (3)，而步骤中包含的机器人操作标记为 (i) 到 (iii)。( B和C ) 由日内瓦轮驱动的化学反应模块的 CAD 设计和实验装置，带有用于液体分配、pH 控制和溶液转移的单元。( D ) 自主平台的整体设置，包括温度控制器、储备溶液、泵、化学反应模块、流通池、光源和光谱仪。

AI-EDISON：纳米材料发现的质量多样性算法

探索和优化策略用于发现不同的纳米结构，它们分别基于 MAP-Elite 和具有局部稀疏算法的全局搜索。在探索中，AI-EDISON 旨在促进行为空间的多样性，该多样性源自纳米粒子的 UV-Vis 光谱。灵感来自 MAP-Elite 算法，完整的行为空间被离散化为称为类的有限区间。对与实验对应的每个采样点进行分类，并评估预定义的适应度函数，将每个类别中适应度最高的采样点定义为精英，然后将其用作父母，通过进化算法中常用的变异、交叉和随机采样生成新的采样点。

在我们的探索中，采样点代表合成条件，光谱波长范围（400 至 950 nm）被离散化为多个区间。为了增加 UV-Vis 光谱的多样性，定义了一组适应度函数以促进光谱信号的相对突出，例如，产生具有单个主峰或两个突出峰的光谱。通过结合主要 UV-Vis 峰所在的区间以及选择的适应度函数，对采样点进行分类。作为最后一步，评估采样点的适应度函数以从每个类中选择性能最高的样本。选定的样本将形成可用作父母的精英集，以创建将进一步评估的新合成条件。各种类别中具有高适应度值的样本的出现使我们能够寻找具有多样化和最佳形态的纳米颗粒，这个完整的过程会不断迭代，直到探索完成。

在优化模式下，AI-EDISON 搜索合成条件以产生朝向预定义目标光谱的样本。目标光谱可以是来自文献的可用光谱或来自电子显微照片的估计纳米结构的模拟光谱，后一种策略使用来自勘探的结构信息并提供更实际的目标。由于形态和 UV-Vis 光谱之间缺乏独特的联系，因此可以在不同条件下在相同的合成空间中制造具有相似光谱特征的多个纳米结构。AI-EDISON 通过考虑量化样本和目标光谱之间差异的相似性度量以及合成空间中采样点的局部稀疏性来搜索多个合成条件K-最近邻。为了实现全局搜索，采样点的适应度函数由相似度度量和局部稀疏度的线性组合定义，选择适应度最高的前N​​个采样点作为双亲，通过变异、交叉和随机采样生成新的合成条件。

对探索和优化算法的性能进行计算机评估

AI-EDISON 中的探索和优化算法在具有计算光谱特性的模拟化学空间中进行了基准测试。模拟空间包含描述模拟纳米颗粒形状、金属成分 (Au/Ag) 和产量的三维 (3D) 固体的参数（图 3A），输入化学空间包含五个参数（v 1、v 2、v 3、v 4、v 5），其中（v 1、v 2、v 3）使用超椭球体作为形状描述符，v 4描述纳米粒子形状表示相对银浓度，v 5描述了作为副产物存在八面体 Au-Ag 双金属 NP 时的纳米颗粒产率。UV-Vis光谱的观察空间是通过消光光谱模拟生成的。图 3B提供了促进 UV-Vis 多样性和优化光谱特征的探索方案。探索算法展示了在模拟化学空间中非常有效地发现多样化和高性能的样本优于随机搜索，并且来自不同类别的最高性能样本的平均适应度最终达到估计最大值的 98%（图 3C ）。

图 3，模拟化学空间的探索与优化。

( A ) 具有各种形状、Au/Ag 成分和形状产量的模拟化学空间，以及通过离散偶极子近似得到的相应模拟 UV-Vis 光谱。( B ) 使用 AI-EDISON 的探索算法研究化学空间。根据峰值位置分配类别索引（从 1 到 10，对于非特征样本，附加类别为 0），评估样本的适应度值以迭代更新父集。( C) 在来自 AI-EDISON 的探索算法和具有 16 次重复的随机搜索之间，比较发现先前未知类别的样本（顶部）和增加各种类别中最高性能样本的适应度（底部）的性能。经过 200 步后，随机搜索仍然无法在重复中找到标准差 (SD) 为 0.5 的所有类别的样本。探索算法在 27 步后优于随机搜索的最终结果，并且可以在 78 步后找到属于所有类别的样本。( D ) 探索后用 AI-EDISON 的优化算法研究化学空间。( E) 经过 11、21、31 和 41 步探索后相似度最高的溶液的 UV-Vis 光谱，表明纯粹通过探索对目标的搜索不成功。( F ) 随着局部稀疏性的不同重要性以及探索策略的优化，相似性度量的增加。线性系数 ( k ) 从 0 变为 300。

基于探索期间收集的数据集继续针对目标光谱的优化策略。考虑到 UV-Vis 光谱对特定纳米结构形态的非唯一性，设置优化以在相似性景观中找到对应于全局和局部最大值的多个采样点（图 3D）。在不设置明确目标的情况下，探索算法不太可能意外找到与目标具有相似 UV-Vis 的解决方案，如图 3（E 和 F）所示。因此，适应度函数对于指导指令优化至关重要。适应度 ( F ) 由相似性度量 (α) 和局部稀疏度 (β) 的线性组合定义，F = α + kβ，其中线性系数k在启用与目标的相似性和在较少探索区域中采样之间调整权重。为了评估优化算法的性能，首先探索输入空间 11 步，然后分配目标谱，并通过设置不同的线性系数k值进行优化。最佳k值的选择对于优化的效率至关重要，如图 3F 所示。使用较低的k值 0 和 50，优化策略试图找到全局最大值，并且很有可能陷入局部最大值。具有更高的值，例如k= 100，优化算法有效地找到全局最大值。然而，进一步增加k ≥ 200 导致在稀疏采样空间中进行探索，对相似性的偏好降低，从而导致优化效率下降。此外，局部稀疏项鼓励在采样较少的输入空间中进行搜索，并有助于针对相似性度量定位多个局部最大值。

使用 AI-EDISON 探索金纳米粒子的化学空间

使用 AI-EDISON，在不同的合成条件下探索了三个具有潜在10${}^{23}$ 实验的分层连接的化学空间，其中种子介导的合成中出现了多种形态特征。除非明确提及，否则单个探索步骤由 23 个反应组成，每个反应都有实验约束，例如恒定的总体积、温度和合成间隔。在每一步都进行了一个额外的定义明确的实验，以验证控制硬件和表征的稳定性和精度。由于在三个化学空间中的紫外-可见光谱观察不同，适应度函数和类别的定义也相应地进行了修改。

化学空间1：立方八面体单晶的种子介导合成

在第一个化学空间中，使用单晶立方八面体晶种（约 2 nm）对多种纳米结构进行了探索，该晶种由在存在的情况下使用 NaBH${}_4$ 快速还原氯化金 (III) 三水合物 (HAuCl${}_4$ 制备而成十六烷基三甲基溴化铵 (CTAB)。第一个化学空间的参数由 CTAB、硝酸银 (AgNO${}_3$  )、HAuCl${}_4$ 的体积定义, 和抗坏血酸，同时保持种子溶液的体积固定在 0.5 毫升。如果需要，通过添加水来引入 12 毫升的总体积作为额外的限制。在每个探索步骤中，采样点基于对其光谱的分析被分配到单峰或多峰特征。通过峰值数量、峰值位置和适应度函数的选择，将它们分类到各自的类别中。在对单个主导和两个突出峰的探索标准的基础上，导致不同类别的适应度函数集在 S3 节中描述。

从第一步的随机采样开始，在具有单峰和多峰特征的各种类别中观察到的最高性能样本被用作父代，以在合成空间中生成新的采样点。初始随机抽样后不存在的类样本可以通过父集和随机抽样的变异和交叉生成。探索进行了 10 步，总共进行了 230 次实验。在探索过程中，交叉和变异操作更新了父集 42 次。仅观察到四个事件（<10%），其中具有更高性能或属于以前不存在的类别的新精英是通过来自具有不同峰值数的先前父母的交叉或突变产生的，表明单峰和多峰特征之间的相互作用相对较弱。在这个阶段，从 TEM 的二次表征获得的电子显微照片证实了金纳米球和纳米棒的存在。因此，作为一个附加阶段，我们进一步扩展了探索，通过使用新的适应度函数面向约束探索和利用来提高在多样化样本中观察到的性能。选择新的适应度函数主要是增加单峰的贡献并降低次峰的贡献，其中明确考虑了副产物的吸收。在适应度函数中使用不同的系数执行了六个额外的步骤，这些步骤用于第 11 到 14 步以及第 15 步和第 16 步。图 4，L1-1 到 L1-6，图 4 中提供了附加图像)。在这个化学空间中的探索发现对称性破缺是观察到的纳米球和纳米棒出现的关键现象。

图 4，探索在三个相互关联的化学空间中发现形状独特的 AuNP。

( A ) 获得的金纳米粒子的电子显微照片及其在种子介导合成中的合成轨迹。探索后以L1-5和L2-12-2为种子。三个化学空间由红色、蓝色和绿色背景表示。比例尺，分别为 50 nm（蓝色）和 100 nm（红色）。( B ) 对应于来自三个化学空间的 AuNPs 的 UV-Vis 光谱。应该注意的是，L2-11-1、L2-11-2 和 L2-12-2 显示出非常相似的 UV-Vis 光谱。灰色虚线表示离散子区域，以促进探索期间的 UV-Vis 多样性。

化学空间 2：Au 纳米棒的过度生长

在第二个化学空间中，选择从前一个化学空间中发现的金纳米棒样品（L1-5）作为种子，因为它的纵横比相对较高，并且表面存在凹形特征。对苯二酚用作还原剂，生长溶液的 pH 值作为附加变量引入。由于在第一个化学空间的探索过程中观察到的单峰和多峰特征之间的相互作用相对较弱，因此依次探索了这些特征。从多峰特征开始，通过使用类似于先前化学空间的峰位置和相对突出度，对单个主要峰和两个可比较的峰进行探索。探索进行了 10 个步骤（总共 230 个反应），不包括单峰结果，并且发现了三类纳米棒：（i）具有球形帽的棒，（ii）具有矩形帽的棒，以及（iii）类似于狗骨头的不规则棒。共发现了 10 个不同尺寸的纳米棒，属于三类，如图所示，图 4 L2-1 到 L2-10 以及无花果中提供的其他图像。

为了进一步增加单峰特征的多样性，单峰特征的探索运行了 10 个步骤，并使用来自多峰探索的数据进行了初始化。通过以 25-nm 间隔离散化 400 至 600 nm 的波长和以 50-nm 间隔离散化 600 至 950 nm 的波长来定义新的单峰类别。以前，从初始数据集中发现了 4 个类，在探索结束时发现的类总数增加到 10 个。利用单峰特征，发现了三种附加形态的合成条件：(i) 球形多面体、(ii) 双锥体和 (iii) 具有低纵横比的棒。在老化 16 小时后，球形多面体和双锥体转变为高度单分散的球体。见图4这些纳米结构的 L2-11 到 L2-13 和各自的 UV-Vis 光谱。从较小的纳米棒中发现的各种各向异性和对称纳米粒子的发现证明了不同的过度生长现象的存在，导致了不同的纳米结构的出现。

化学空间3：Au纳米球的过度生长

在第三化学空间中，球形纳米颗粒样品（L2-12-2）因其高单分散性和光滑表面而被选为种子。5D 输入化学空间由十六烷基三甲基氯化铵 (CTAC)、AgNO 3、HAuCl 4的体积定义、抗坏血酸和盐酸 (HCl)。所用种子溶液的体积固定为 0.5 ml，总体积限制为 12 ml。探索算法运行了 10 个步骤（231 个实验，其中 24 个来自初始随机采样），仅关注单峰特征，而导致多个峰的采样点被丢弃。通过将 400 到 550 nm 之间的区域定义为单个类，并以 25-nm 间隔和 800 到 950 nm 以 50-nm 间隔离散化来定义类别。该算法发现了 11 个不同类别的高性能样本，并发现了导致一系列纳米星的合成条件，这些纳米星的尺寸范围在 60 到 95 nm 之间，并且具有各种尖端特征（见图4L3-1 至 L3-5 和相应的 UV-Vis 光谱）。这些结构的其他 TEM 图像可在 S3.4 部分中找到。L3-1 的形态包括约。60 nm 核心，表面有微小的尖端，导致较低的峰值吸光度（约 560 nm）。纳米星的紫外-可见光谱的吸收峰证明了峰值位置随着核心尺寸的增加而红移。由于在具有最佳宽度的 UV-Vis 光谱中存在明显的峰值吸光度，因此算法发现存在具有可变核心尺寸和尖端特征且具有高产率和单分散性的纳米星。

使用 AI-EDISON 成功搜索到具有高产率和单分散性的各种形状独特的 AuNP，验证了最初的假设，即可以通过增加光谱的多样性来实现纳米结构的结构多样性。它还表明，放大 UV-Vis 特征（如突出度或宽度）可以提高合成纳米结构的产率和单分散性。

在探索的化学空间中进行有针对性的优化

探索算法以粗粒度的方式发现了具有不同 UV-Vis 行为的纳米粒子的合成条件，这可能受到没有特定目标的类间隔的限制。为了使用先前探索的数据集有效地搜索针对微调光学特性的合成条件，应使用具有特定目标的优化算法。考虑到 UV-Vis 光谱对单个纳米结构的非唯一性，适应度函数由局部稀疏性和与目标光谱的相似性组合定义。目标光谱可以从文献报告中定义，也可以在创建源自电子显微照片的 3D 纳米结构后在计算机上生成，这在化学空间中提供了更实用的目标。

在第一种情况下，在探索过程中，在化学空间 1 中观察到金纳米棒的存在。使用直径和长度分别为 11 和 33 nm 的圆柱形 Au 纳米棒模拟目标光谱，以精确控制纵向峰。探索后，虽然相似度最高的样品具有相同的纵向峰位，但在 570 nm 附近出现肩峰表明存在副产物。优化运行了五个步骤（115 个反应），并获得了两个导致较小副产物峰的合成条件。由于相对独特的横向和纵向 UV-Vis 峰，它们显示出与纳米棒相似的形态特征。图 5A显示了目标的 UV-Vis 光谱，优化前的最佳解决方案，以及优化后具有较高纳米棒产率的解决方案之一。相应的电子显微照片如图5（B 和 C）所示，表明溶液中的形状产率从 57% 增加到 95%。

图 5，AuNPs消光光谱模拟对目标光谱的优化。

( A ) 目标金纳米棒模拟的紫外-可见光谱比较，优化前最相似的样品，优化后的最优解。( B和C ) 优化前最佳样品的电子显微照片，产率为 ca。57％和优化后的最佳解决方案，产率约为。95%。( D ) 来自金八面体的目标紫外-可见光谱。( E ) 模拟金八面体靶材与优化后三种方案的紫外-可见光谱比较。( F ) 优化后三种方案的合成条件比较。AA，抗坏血酸。（G到我) 溶液 1 至 3 的电子显微照片，对应于八面体、凹八面体和光滑多面体纳米粒子。比例尺，100 nm（B 和 C 以及 G 到 I）。

在第二种情况下，在第三化学空间的探索过程中，虽然只观察到了一小部分金八面体，但样品的结构特征以及 L3-1 表明，对金八面体的倾向很高。八面体纳米粒子的出现。因此，八面体金纳米结构的边缘长度约为。创建了 57 nm，并模拟了目标光谱（图 5D） 因此。由于其几何形状，光谱具有固有的宽峰，并且与尺寸分布无关。这种固有宽度的存在降低了 UV-Vis 对特定纳米结构的独特性。各种纳米结构，包括球体、八面体、其他各种尺寸的多面体形状，以及它们的混合物可以共享相似的 UV-Vis 特征。因此，优化策略有必要在高维化学合成空间中寻找多个分离良好的解，这些解很可能对应不同的结构。除了 HAuCl 4的浓度外，优化合成空间的选择与探索期间的化学空间 3 相似，减半。这种减少是基于观察到组合空间中与探索后与目标具有最高相似性的前五个采样点具有少量 HAuCl 4 (<1.00 ml)。优化算法运行了 5 个步骤（115 个反应），发现了多个具有高光谱相似性但与目标不同的合成条件的解决方案（图 5，E 和 F）。这些合成条件对应于适应度环境中的局部最大值，并产生了不同的纳米结构，包括八面体、凹八面体和光滑的多面体纳米颗粒（图 5，G 到 I)，这证明了通过优化策略成功搜索到与目标具有相似 UV-Vis 光谱的不同纳米结构。

使用 AI-EDISON 架构的多步纳米粒子合成

该平台的模块化允许使用通用的有向图结构以及在每个步骤中所需的表征进行并行多步合成，以确保合成的可重复性（图 6A）。这种方法需要三个图：合成、反应和硬件，通过合成从先前探索中发现的六个独特形状的 AuNP 来说明这一点（图 6B）。如图6C所示，合成图表示纳米粒子的多步合成过程，其中每个节点代表一个独特的纳米粒子，每个有向边表示纳米粒子之间的层次关系。为了将合成图映射到机器人平台，生成构成所需机器人操作的反应图。此外，从反应图导出硬件图以分配化学反应模块的可用资源。反应和硬件图中的每个节点代表一个要准备的实际样本，有向边代表从一个样本播种到另一个样本所需的转移步骤。

图 6，具有有向图结构的完全自主的多步合成。

( A ) AuNPs 的自主多步合成工作流程。图结构用于将可用的硬件资源分配给化学反应模块上的样品，并设计为合成而执行的操作。( B )六个目标AuNPs，它们的层次关系，以及在化学反应模块上的分布。它们从 N1-N6 标记，分别对应 L1-5、L1-1、L2-12-2、L2-7、L3-3、L3-1。( C ) 六种金纳米粒子多步合成的合成、反应和硬件图。根据播种、表征所需的体积和所需的最终体积估计重复样本的数量。( D) 来自三个重复的样品和原始样品的紫外-可见光谱。从 N1 到 N6，最突出的峰位置分别为 799.6 ± 6.5、525.9 ± 0.9、530.0 ± 1.2、777.0 ± 6.9、673.4 ± 2.6 和 561.0 ± 3.4 nm。( E ) 样品在化学反应模块上的实际分布。( F ) 通过化学描述语言 (χDL) 和多步合成中的产品验证生成纳米粒子独特数字签名的程序。将 χDL 的组合字符串和验证结果用 utf-8 编码，并使用 SHA-256 的哈希函数进一步转换为唯一的数字签名。

所有六种 AuNP 的平行合成重复了 3 次以证明重现性。UV-Vis 光谱中观察到的标准偏差 (SD) 为 3 至 4 nm，最大偏差约为 7 nm，其中重复的所有峰位置均在平均值的两个 SD 内（图 6，D 和 E）。尽管存在 CAS 编号等化学品的唯一标识符，但仍缺乏与其独特的合成协议相对应的纳米材料的等效唯一签名。可以从合成过程的数字表示中生成一种有前途的方法来表示纳米粒子的唯一标识符。通用化学描述语言 χDL 可用于为纳米材料创建独特的数字签名。以 χDL 表示的标准格式的与硬件无关的合成程序用于描述具有预期特性的纳米粒子的可靠合成。合成纳米粒子的验证可以通过各种技术进行，这里选择 UV-Vis 是因为 AuNPs 的等离子体效应。后来，AuNPs 的独特数字签名是由它们的合成程序和通过散列函数验证产品的组合创建的（图 6F）。

总结

总之，我们开发了一个统一架构 AI-EDISON，其中包括一个完全自主的闭环合成机器人，该机器人结合了最先进的 ML 算法和一个消光光谱模拟引擎。使用质量多样性算法，我们探索了三个相互关联的化学空间，发现了具有多种特征的金纳米粒子，包括球体、杆体、球形多面体、双锥体和星体。尽管与电子显微镜相比，UV-Vis 无法提供纳米颗粒的详细结构信息，如结晶相或电子密度分布，但它足以针对不同的等离子体纳米结构。通过使用 UV-Vis 作为主要表征工具进行探索，我们证明了我们的假设，即结构多样性可以通过增加光谱多样性来实现，并证明了通过放大特定的光谱特征可以获得高产率和单分散性的纳米颗粒。在对高维化学空间进行粗粒度探测后，系统利用电子显微镜和消光光谱模拟生成的目标光谱对精细调优的光学性质进行优化。优化策略发现了多种合成条件，可获得不同的纳米结构，具有高收率、单分散性和相似的UV-Vis特征，这些都是勘探中无法直接获得的。利用AI-EDISON的模块化和并行操作和合成能力，我们展示了一种高效和完全数字化的方法，用于复杂的多步骤合成纳米材料，其独特的数字签名来自$\chi$ DL。

论文链接：https://www.science.org/doi/10.1126/sciadv.abo2626#sec-3