CRESt平台：多模态AI驱动的高效催化剂发现系统

麻省理工学院李巨教授领导的研究团队在国际顶级学术期刊《自然》上发表了一篇突破性论文，展示了一种名为CRESt的多模态机器人平台。该平台通过整合文本知识、化学成分及微观结构信息的多模态模型驱动材料设计，并与高通量自动化实验系统协同，显著提升了催化剂的研发速度与性能。

实验材料科学的核心挑战在于如何在庞大的化学设计空间中进行高效优化。

传统方法通常依赖于单模态主动学习框架，仅利用单一数据类型，例如元素组成与性能之间的简单对应关系。

麻省理工学院李巨团队开发的CRESt平台致力于通过自动化实验采集多形式数据，并将其纳入知识辅助的贝叶斯优化框架中。

论文链接：https://www.nature.com/articles/s41586-025-09640-5

机器人系统确保化学成分的精确调控，高通量扫描电子显微镜提供微观结构图像并通过计算机视觉分析，而大语言模型则嵌入文献知识以丰富搜索空间。

这些多样化数据源经过向量化处理，并通过主成分分析保留关键方差信息，从而使优化过程更加高效。

优化后的配方被映射回元素配比并进行实验验证，在材料设计、制备与测试间形成高效闭环。

此外，算法上另一创新是提出了策略改进约束的贝叶斯优化，引入拉格朗日乘子动态调整探索与利用的平衡，避免了繁琐的手动参数调整。

CRESt在短短三个月内完成了900多种催化剂化学组成和3500多次电化学测试，并在三元和八元体系中发现了超越传统纯钯基催化剂性能的化学配方。

除了算法改进，研究人员还直面实验科学中的普遍问题：实验结果可重复性不足。

尽管使用机器人系统，合成与测试中的不一致性最初引入了严重数据噪声，削弱了主动学习效果。

为解决这一问题，团队长期收集并讨论实验中的不可重复现象，涵盖热学、电学、磁学误差甚至人为固有观念导致的偏差。CRESt采用视觉-语言模型辅助实验，诊断不可重复来源并提出纠正措施。

例如，模型识别出移液枪尖在微米尺度的错位可能导致碳纸基底偏移，引发所有样品位置偏差。另一例中，VLM发现激光切割木质样品夹具表面存在炭化痕迹，导致尺寸变化。

研究人员根据反馈改用不锈钢夹具，显著提升了稳定性和一致性。为系统评估诊断能力，团队整理了一个基于实验失败案例的小型问答对数据集。

这些实例表明，VLM不仅能诊断隐藏错误，还能以科学家易于理解的语言表达，加速排错过程并减少人工干预。

实验中，团队发现了一种由Pd、Pt、Cu、Au、Ir、Ce、Nb和Cr组成的八元高熵合金催化剂。

与纯钯基准样品相比，该催化剂的单位成本功率密度提高了9.3倍，在直接甲酸盐燃料电池中实现了目前最高性能，仅需以往贵金属负载量的四分之一。

X射线衍射与Rietveld精修分析确认，优化配方保持了单一的面心立方相，表明合金策略在调节局部配位环境的同时维持了晶体学稳定性。

为理解性能提升机理，研究人员结合原位X射线吸收光谱与密度泛函理论计算。

光谱结果显示，钯和铂在反应条件下保持金属态，这一点至关重要，因为它们的氧化物催化活性极低。

掺杂的Nb、Cr和Ce引入了细微结构扰动，但未造成明显晶格畸变，从而在保持结构完整性的同时改变了电子相互作用。

DFT计算结果表明，高熵合金中钯位点在间接氧化路径上的决速步骤能垒为–0.005 eV，而纯钯为0.706 eV，这意味着其抗一氧化碳中毒能力大幅增强。

投影态密度分析进一步显示，高熵合金中钯的d带中心相对于纯钯明显下移，从而减弱了氢和一氧化碳的吸附强度，促进脱附过程。

这些理论预测得到了同位素标记和CO剥离实验验证，实验结果确认了其对表面中毒的更高耐受性。

CRESt的发展表明，将多模态人工智能与自动化机器人平台结合，可以使原本无法探索的庞大化学设计空间变得可行。通过嵌入先验知识、实现自适应优化，并利用视觉-语言模型诊断实验异常，该平台为加速化学与材料科学发现提供了可推广的蓝图。

参考资料

https://news.mit.edu/2025/ai-system-learns-many-types-scientific-information-and-runs-experiments-discovering-new-materials-0925