自驅(qū)動實驗室系統(tǒng)提高了化學(xué)反應(yīng)器設(shè)計的速度和精度，但現(xiàn)有研究缺乏針對幾何參數(shù)的統(tǒng)一模型。針對不同體系間的通用性問題，來自西班牙 IMDEA 材料研究所的研究團隊推出了 Reac-Discovery 半自主數(shù)字平臺，基于周期性開孔結(jié)構(gòu)，推出了先進催化反應(yīng)器的創(chuàng)新解決方案。

過去，在反應(yīng)器工程中，3D 打印技術(shù)能夠精確制造出具有規(guī)則孔洞的「周期性開孔結(jié)構(gòu)（POCs）」，構(gòu)建「網(wǎng)格狀」反應(yīng)器讓氣體、液體和熱量在其中順暢流動，為反應(yīng)效率提升創(chuàng)造了可能。而人工智能的加入，則讓實驗室進一步具備了「自我調(diào)節(jié)」能力：自動化平臺能夠?qū)崟r監(jiān)測溫度、流速和反應(yīng)進程，并根據(jù)數(shù)據(jù)自主優(yōu)化實驗方案。這類被稱為自驅(qū)動實驗室（Self-Driving Laboratories, SDL）的系統(tǒng)，正為反應(yīng)器設(shè)計帶來前所未有的精度與速度。

然而，盡管數(shù)字化和自動化實驗的結(jié)合帶來了突破，現(xiàn)有研究仍缺乏針對孔隙率、表面積、曲折度等幾何參數(shù)的統(tǒng)一模型。計算流體力學(xué)（CFD）模擬等傳統(tǒng)方法不僅存在效率低、計算成本高等局限，而且結(jié)構(gòu)化反應(yīng)器的設(shè)計往往依賴人工經(jīng)驗與專用軟件，缺乏可推廣的統(tǒng)一框架，導(dǎo)致不同體系間的可復(fù)用性和通用性有限。

針對傳統(tǒng)方法的局限，來自西班牙 IMDEA 材料研究所的研究團隊推出了 Reac-Discovery 半自主數(shù)字平臺，基于周期性開孔結(jié)構(gòu)，采用了集成設(shè)計、制造與優(yōu)化模塊的閉環(huán)體系，能夠并行進行多反應(yīng)器評估，并具有實時核磁共振（NMR）監(jiān)測、機器學(xué)習(xí)（ML）優(yōu)化工藝參數(shù)和拓?fù)涿枋龇墓δ埽?/span>在提升性能、反應(yīng)效率和減少材料消耗的同時，提高了系統(tǒng)的通用性。

相關(guān)研究成果以「Reac-Discovery: an artificial intelligence–driven platform for continuous-flow catalytic reactor discovery and optimization」為題，發(fā)表于 Nature Communications。

研究亮點：

* 將數(shù)學(xué)建模、機器學(xué)習(xí)與自動化實驗系統(tǒng)結(jié)合，實現(xiàn)催化反應(yīng)器從幾何設(shè)計、3D 打印制造到實驗優(yōu)化的全流程一體化； 

* 將拓?fù)鋮?shù)納入優(yōu)化空間，突破了傳統(tǒng)方法調(diào)控溫度、流速等單一變量的局限，實現(xiàn)幾何結(jié)構(gòu)與工藝條件同步優(yōu)化； 

* 構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的性能預(yù)測模型，開發(fā)機器學(xué)習(xí)驅(qū)動的算法體系，并通過性能模型實現(xiàn)反應(yīng)器表現(xiàn)的快速評估迭代，顯著提高實驗效率與資源利用率。 

論文地址：https://go.hyper.ai/ueB79

自主生成數(shù)據(jù)集，支撐閉環(huán)優(yōu)化

該研究未采用外部公開數(shù)據(jù)集。研究團隊依托 Reac-Discovery 平臺，在實驗過程中自主生成了涵蓋幾何結(jié)構(gòu)、可打印性與反應(yīng)性能的多維內(nèi)部數(shù)據(jù)體系。根據(jù)平臺的 Reac-Gen、Reac-Fab、Reac-eval 3 個功能模塊，該研究生成的數(shù)據(jù)集分為 3 個部分：

 * 結(jié)構(gòu)參數(shù)化數(shù)據(jù)集：Reac-Gen 利用數(shù)學(xué)參數(shù)化模型生成周期性開孔結(jié)構(gòu)（POCs），通過尺寸、閾值和分辨率等參數(shù)控制結(jié)構(gòu)形態(tài)完成輸出，為拓?fù)鋬?yōu)化提供量化輸入； 

* 可打印性數(shù)據(jù)集：Reac-Fab 在建立結(jié)構(gòu)參數(shù)與打印結(jié)果對應(yīng)關(guān)系后生成； 

* 反應(yīng)性能數(shù)據(jù)集：Reac-eval 基于自驅(qū)動實驗室（SDL）開展并行實驗時，實時記錄溫度、流速、濃度及產(chǎn)率等數(shù)據(jù)形成。 

目前，包括從結(jié)構(gòu)生成到性能驗證的閉環(huán)框架生成數(shù)據(jù)均已上傳至 Zenodo。

數(shù)據(jù)集鏈接：https://hyper.ai/datasets/45520

Reac-Discovery：三模塊集成，實現(xiàn)一體化流程閉環(huán)

Reac-Discovery 的整體架構(gòu)以機器學(xué)習(xí)（ML）為核心，基于數(shù)據(jù)反饋形成「生成-制造-評估-優(yōu)化」的一體化流程閉環(huán)。其中，該閉環(huán)平臺主要分為 Reac-Gen、Reac-Fab 和 Reac-Discovery 三個模塊，各模塊功能在運行時相互關(guān)聯(lián)：

* Reac-Gen：對周期性開孔（POC）結(jié)構(gòu)進行參數(shù)化生成及幾何分析，并通過機器學(xué)習(xí)（ML）提供反饋； 

* Reac-Fab：通過高分辨率 3D 打印算法驗證反應(yīng)器的可打印性并制造，隨后進行催化功能化； 

* Reac-eval：利用機器學(xué)習(xí)與實時核磁共振（NMR）監(jiān)控數(shù)據(jù)分析，使用人工神經(jīng)網(wǎng)絡(luò)（ANN）同時優(yōu)化工藝和幾何形狀；實驗結(jié)果再反饋至核心機器學(xué)習(xí)模型，推動反應(yīng)器完善自學(xué)習(xí)、自迭代循環(huán)。  

閉環(huán)平臺 Reac-Discovery 的整體架構(gòu) 

Reac-Gen：幾何建模與參數(shù)化設(shè)計

Reac-Gen 模塊是 Reac-Discovery 系統(tǒng)的起點模塊，負(fù)責(zé)反應(yīng)器幾何設(shè)計與參數(shù)化建模。該模塊基于包括 Gyroid、Schwarz、Schoen-G 等在內(nèi)的一組預(yù)定義的數(shù)學(xué)方程生成周期性開孔結(jié)構(gòu)，并通過調(diào)節(jié)尺寸（S）、水平閾值（L） 和分辨率（R）三項主要參數(shù)，在「宏觀+微觀」尺度上生成多樣化的幾何拓?fù)洹?/span>在三個模塊中，Reac-Gen 主要負(fù)責(zé)數(shù)字化建模與結(jié)構(gòu)量化，其工作流程分為以下主要環(huán)節(jié)：

* 首先輸入結(jié)構(gòu)的關(guān)鍵幾何參數(shù)，系統(tǒng)基于預(yù)定義的數(shù)學(xué)方程在三維標(biāo)量場中建立模型，并通過等值面計算生成隱式曲面，確定反應(yīng)器的總體形態(tài)與內(nèi)部拓?fù)浣Y(jié)構(gòu)； 

* 將方程投影至三維空間并基于算法進行網(wǎng)格化處理、尺度調(diào)整和圓柱形裁剪，使結(jié)構(gòu)適配反應(yīng)器外形，以獲得高保真度的三維結(jié)構(gòu)；同時，自動校正邊界平滑度和孔隙連續(xù)性，以確保結(jié)構(gòu)在打印與流體模擬中均具備合理的物理連通性與穩(wěn)定性； 

* 生成制造與數(shù)據(jù)分析文件，輸入下一模塊 Reac-Fab，為后續(xù)的可打印性預(yù)測、3D 制造及性能數(shù)據(jù)分析提供核心輸入。 

在數(shù)據(jù)輸出步驟中，Reac-Gen 輸出的數(shù)據(jù)文件分為兩類：

* STL 文件：用于三維打印制造； 

* 結(jié)構(gòu)特征文件（XLSX）：記錄表面積、孔隙率、曲折度、水力直徑等幾何描述符。 

Reac-Gen 和 Reac-Fab 模塊的工作流程圖

Reac-Fab：從可行性驗證到樣品打印

Reac-Fab 模塊主要負(fù)責(zé)反應(yīng)器的物理制造，采用高分辨率立體光刻（SLA）3D 打印技術(shù)實現(xiàn)結(jié)構(gòu)構(gòu)建。該模塊的工作流程分為 2 個環(huán)節(jié)：

* 接收 Reac-Gen 輸出的 STL 與結(jié)構(gòu)數(shù)據(jù)，利用機器學(xué)習(xí)模型預(yù)測結(jié)構(gòu)可打印性，并進行打印設(shè)置與設(shè)備校準(zhǔn)； 

* 通過高分辨率 SLA 技術(shù)打印結(jié)構(gòu)，采用已優(yōu)化的材料配方與參數(shù)，對打印樣品進行表面化學(xué)改性、催化活性組分固定化等功能化處理，得到樣品。 

其中，該模塊在可打印性驗證環(huán)節(jié)中采用了基于神經(jīng)網(wǎng)絡(luò)分類模型的算法。該算法使用共 236 個實驗樣本作為訓(xùn)練數(shù)據(jù)，模型通過對比關(guān)鍵幾何描述符的理論權(quán)重與實驗權(quán)重，判斷結(jié)構(gòu)是否可打印。從實驗數(shù)據(jù)來看，該方法的預(yù)測準(zhǔn)確率高達 91%，能夠有效提升制造效率并降低實驗成本。同時，該模塊無需大量預(yù)實驗即可運行，提高了算法在不同打印體系（如使用 PLA 的 FDM 打印）中的適用性與可擴展性。

Reac-eval：實驗驗證與雙重優(yōu)化

Reac-eval 是 Reac-Discovery 平臺中實驗驗證與優(yōu)化的核心模塊。該模塊集成了能夠同時評估多個由 Reac-Gen 設(shè)計、Reac-Fab 打印的結(jié)構(gòu)化催化反應(yīng)器，能夠?qū)Χ嘞喾磻?yīng)的實時監(jiān)測與自動調(diào)控。其中，所有硬件都通過基于 Python 的統(tǒng)一接口集成，以確保實驗數(shù)據(jù)、預(yù)測模型與控制系統(tǒng)間的無縫銜接。Reac-eval 的工作流程主要涵蓋 5 個步驟：

* 定義氣液流速、溫度、濃度及拓?fù)涿枋龇秶冗吔鐥l件，生成隨機化的實驗組合覆蓋參數(shù)，完成實驗初始化與條件設(shè)定； 

* 在自驅(qū)動平臺并行運作多個結(jié)構(gòu)化反應(yīng)器，通過臺式 NMR 實時監(jiān)控反應(yīng)進度，采集性能數(shù)據(jù)； 

* 基于機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型 M1，對過程變量和工藝參數(shù)進行優(yōu)化，并根據(jù)初始數(shù)據(jù)集重復(fù)訓(xùn)練未達到預(yù)期的優(yōu)化結(jié)果； 

* 基于神經(jīng)網(wǎng)絡(luò)模型 M2，對反應(yīng)器的幾何參數(shù)進行優(yōu)化； 

* 根據(jù) M2 的預(yù)測結(jié)果生成優(yōu)化后的反應(yīng)器設(shè)計，進行二次實驗驗證，并將未達到預(yù)期的數(shù)據(jù)返回模型繼續(xù)訓(xùn)練。 

總的來說，在實現(xiàn)工藝參數(shù)與幾何拓?fù)潆p重優(yōu)化的同時，Reac-eval 模塊基于自驅(qū)動平臺，構(gòu)建了實驗、建模與反饋的自動化循環(huán)。

Reac-eval 模塊工作流程

Reac-Discovery 應(yīng)用效果雙重驗證

為驗證 Reac-Discovery 在多尺度耦合與機器學(xué)習(xí)驅(qū)動優(yōu)化中的實際效能，研究團隊選擇了苯乙酮加氫和 CO? 環(huán)加成兩種典型多相催化反應(yīng)作為測試場景。在涉及氣–液–固三相轉(zhuǎn)化的同時，苯乙酮加氫的溫和加氫轉(zhuǎn)化，和 CO? 環(huán)加成的高復(fù)雜度熱力學(xué)反應(yīng)，為驗證系統(tǒng)在自優(yōu)化、拓?fù)渲貥?gòu)方面的魯棒性、穩(wěn)定性與可重復(fù)性提供了條件。

苯乙酮加氫反應(yīng)驗證

在苯乙酮加氫反應(yīng)驗證實驗中，研究團隊選擇苯乙酮加氫反應(yīng)作為測試對象，以固定化鈀納米顆粒（PdNPs）為催化劑，采用通過兩階段優(yōu)化路徑評測了 Reac-Discovery 在復(fù)雜多相催化反應(yīng)中的優(yōu)化能力：

* 第一次優(yōu)化階段（G1 ）：基于 Reac-Gen 生成 9 組螺旋（Gyroid）幾何結(jié)構(gòu)，構(gòu)建孔隙率與表面積差異顯著的反應(yīng)器；Reac-eval 模塊執(zhí)行 60 組加氫實驗，并通過核磁共振實時監(jiān)測反應(yīng)過程并采集數(shù)據(jù)，用于訓(xùn)練 M1 的關(guān)聯(lián)建模； 

* 第二次優(yōu)化階段（G2）：基于 M2 模型，將結(jié)構(gòu)描述符納入學(xué)習(xí)過程，以實現(xiàn)結(jié)構(gòu)與性能的聯(lián)合優(yōu)化。 

實驗數(shù)據(jù)表明，M1 模型預(yù)測與實驗結(jié)果高度一致，可在超過一百萬種參數(shù)組合中識別最優(yōu)工藝區(qū)間，顯著減少實驗探索成本。此外，在 G2 階段，M2 模型的預(yù)測精度進一步提升，能夠通過對 480 種可打印的 POC 結(jié)構(gòu)進行篩選比對，識別出最佳幾何形態(tài)，驗證了 Reac-Discovery 平臺在多變量優(yōu)化與結(jié)構(gòu)功能預(yù)測中的高精度與魯棒性。

苯乙酮加氫反應(yīng)實驗 G1 優(yōu)化階段 

苯乙酮加氫反應(yīng)實驗 G2 優(yōu)化階段

CO? 環(huán)加成反應(yīng)

為進一步驗證平臺在復(fù)雜多相體系中的適應(yīng)性，研究團隊采用 CO? 環(huán)加成反應(yīng) 進行了驗證實驗：

* 第一階段（G1）：基于 Reac-eval 模塊，通過自驅(qū)動實驗平臺完成 60 組條件實驗，利用核磁共振實時監(jiān)測生成初始數(shù)據(jù)集，并使用神經(jīng)網(wǎng)絡(luò)模型 M1 預(yù)測了產(chǎn)率，篩選出理論最優(yōu)條件； 

* 第一階段（G2）：基于模型 M2 整合幾何描述符與工藝參數(shù)，優(yōu)化反應(yīng)器拓?fù)渑c反應(yīng)條件，通過比較可打印 POC 結(jié)構(gòu)確定幾何最優(yōu)解。 

實驗結(jié)果表明，實驗篩選出的理論最優(yōu)條件與預(yù)測值完全一致，刷新了當(dāng)前三相固定化反應(yīng)器的性能上限。此外，Reac-Discovery 反應(yīng)器在四種不同環(huán)氧化物體系中始終保持 40% 至 90% 的高轉(zhuǎn)化率，驗證了 Reac-Discovery 的跨體系的泛化能力與穩(wěn)定性。

基于 Reac-Discovery 的 CO? 環(huán)加成優(yōu)化活動 G1 及 G2 階段圖

AI 融合，自驅(qū)動實驗室成化學(xué)研究新范式

人工智能在流動化學(xué)與反應(yīng)器工程領(lǐng)域的快速融合，正使自驅(qū)動實驗室逐漸成為成為化學(xué)研究的新范式。2025 年 7 月，來自北卡羅來納州立大學(xué)的研究團隊發(fā)表論文「Machine learning-assisted discovery of flow reactor designs」，針對傳統(tǒng)化學(xué)實驗依賴人工試錯、效率低且缺乏可重復(fù)性的問題，提出了基于自驅(qū)動實驗室的全新流動化學(xué)框架。該框架將自動化實驗平臺與實時數(shù)據(jù)分析及人工智能決策相結(jié)合，實現(xiàn)了反應(yīng)設(shè)計、執(zhí)行與優(yōu)化的一體化閉環(huán)，顯著提升了反應(yīng)過程的精度、效率與可擴展性。

論文地址：https://doi.org/10.1038/s44286-024-00099-1

來自多倫多大學(xué)化學(xué)系的研究團隊也同樣以自驅(qū)動實驗室作為化學(xué)研究的全新范式，將自動化實驗硬件、實時數(shù)據(jù)分析與 AI 規(guī)劃決策整合，實現(xiàn)實驗設(shè)計、執(zhí)行、分析與優(yōu)化的閉環(huán)。該研究通過高頻自動化實驗平臺生成高密度數(shù)據(jù)，并結(jié)合貝葉斯優(yōu)化、強化學(xué)習(xí)等 AI 算法，實現(xiàn)實驗步驟的自主設(shè)計與迭代推進，從而顯著提升了發(fā)現(xiàn)效率與可擴展性。目前，該研究成果以「Self-Driving Laboratories for Chemistry and Materials Science」為題，發(fā)表于 ACS Publications。

論文地址：https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055

對此，2025 年 7 月，英國皇家學(xué)會在 Open Science 發(fā)文表示，自驅(qū)動實驗室的核心由硬件自動化、算法優(yōu)化和自學(xué)習(xí)反饋組成，能夠在無人干預(yù)下執(zhí)行實驗并迭代改進，實現(xiàn)了從實驗設(shè)計到結(jié)果驗證的全流程閉環(huán)，加速了化學(xué)與材料科學(xué)的發(fā)現(xiàn)過程。「自驅(qū)動實驗室甚至可能取代一些科研崗位，但也可能創(chuàng)造許多新的機會。」當(dāng)前，自驅(qū)動實驗室實際上面臨著系統(tǒng)成本高昂、數(shù)據(jù)標(biāo)準(zhǔn)化不足、模型泛化能力有限以及安全與倫理風(fēng)險等挑戰(zhàn)，但隨著算法與硬件融合的不斷成熟，自驅(qū)動實驗室可能在未來重塑科研體系，創(chuàng)造更高效、更可重復(fù)和更具智能化的科學(xué)探索模式。