2024年12月2日，北京大学张锦院士团队与合作者在Cell Press细胞出版社旗下期刊Matter在线发表了题为“Transforming the Synthesis of Carbon Nanotubes with Machine Learning Models and Automation”的研究论文。该研究开发了基于AI技术的纳米碳材料智能合成平台Carbon Copilot（CARCO），通过模块化设计集成语言模型、自动化实验和数据驱动的机器学习，实现了对碳纳米管水平阵列的高效制备与优化。该平台成功筛选出全新钛-铂双金属催化剂，并首次实现指定密度阵列制备，展示了AI与自动化系统在复杂材料体系探索中的强大能力。
北京大学博士生李越、王姝睿为论文共同第一作者；北京大学张锦院士、赵子强教授、杨耀东研究员、钱柳助理研究员为论文共同通讯作者。
研究亮点
- 开发了AI辅助的纳米碳材料智能合成平台——Carbon Copilot （CARCO），覆盖纳米碳材料制备研究的全流程。
- 基于CARCO，发现了用于生长碳纳米管水平阵列的全新钛-铂双金属催化剂（TiPt），其综合性能优于传统铁基催化剂。
- 基于CARCO，实现了指定密度碳纳米管水平阵列的控制制备，成功率达56.25%。
研究简介
近年来，纳米碳材料以其优异的物理化学性质在电子、能源和力学领域展现出巨大的应用潜力。然而，其实际应用仍面临着结构控制、均匀性和一致性等诸多挑战。究其原因，纳米碳材料的合成过程涉及高度复杂的跨尺度、多变量系统，这些系统中存在非线性、强耦合的多重参数，例如催化剂种类、温度等，传统基于还原论的研究方法无法处理多变量之间的相互作用，导致工艺探索效率低下，难以解耦出“关键因素”获得全局最优解。为有效突破瓶颈，纳米碳材料制备领域亟需革新研究范式。
为此，北京大学张锦团队与合作者共同开发了基于AI技术的纳米碳材料智能合成平台Carbon Copilot（CARCO），它集成了语言模型、自动化实验装备和数据驱动的机器学习模型，探索纳米碳材料研究的范式变革。CARCO平台采用模块化设计，包括以下三个主要模块：
1.语言模型模块：包括Carbon_GPT和Carbon_BERT。Carbon_GPT基于GPTs构建，用于生成宏观学术洞察；而Carbon_BERT基于BERT预训练模型构建，通过对碳材料领域相关文献进行微调，利用词嵌入技术解决具体的筛选类问题。
2. 自动化实验模块：由AI控制模块、机械臂、自动进样台、化学气相沉积系统组成，该模块能够每日执行超过30次可靠实验，通过精确的参数控制，确保实验的稳定性和一致性。
3.数据驱动的机器学习模块：通过收集实验参数和样品表征数据，建立标准化数据库，并使用机器学习模型进行实验结果的预测和工艺参数的优化，从而提升实验效率并实现对合成过程的精确控制。
在本研究中，团队将材料聚焦到碳纳米管水平阵列上，这是一种平行排列的碳纳米管结构，是理想的场效应晶体管沟道材料，而催化剂在碳纳米管水平阵列的制备过程中起到关键作用。团队利用CARCO平台对21种双金属催化剂进行了筛选，筛选过程利用了Carbon_BERT，通过词嵌入技术预测不同催化剂在碳纳米管水平阵列合成中的效果，并利用自动化实验模块实现高通量实验验证。结果表明，不同催化剂的阵列生长效果在统计意义上符合Carbon_BERT的预测结果。值得注意的是，排在首位的催化剂是一种在该领域中全新的钛-铂双金属催化剂（TiPt），该催化剂合成的碳纳米管水平阵列在密度、定向性、洁净度、均匀性、一致性等方面均表现优异，综合性能优于传统的铁催化剂。
此外，利用CARCO平台，研究团队在完成了500余组实验后，基于数据驱动的机器学习模型建立了工艺参数与生长结果的关联，并基于模型进行了数百万次虚拟实验。虚拟实验的结果可以为碳纳米管水平阵列的制备提供配方，从而实现更加高效且精细的指标优化。指定密度的碳纳米管水平阵列制备对于定制化的器件性能至关重要，传统的研究方法无法实现对密度的精确控制。利用CARCO，团队首次实现了指定密度的碳纳米管水平阵列制备，成功率高达56.25%。
这项研究不仅推动了纳米碳材料的开发，也展示了AI与自动化系统在探索复杂材料体系中的强大能力。CARCO平台的成功应用证明了AI与人类科学家协作在纳米材料研究中的重要性，为进一步推动材料科学领域的范式革新提供了重要借鉴。此外，这一平台的模块化设计具有很好的拓展性，有望推广到包括石墨烯、二硫化钼等其他纳米材料体系的研究中。
图1 纳米碳材料智能合成平台(CARCO)
图2 基于CARCO的催化剂设计及碳纳米管水平阵列制备
图3 碳纳米管水平阵列的指定密度生长
图4 AI与人类科学家合作的研究工作流
作者介绍
张锦，中国科学院院士，北京大学博雅讲席教授。长期致力于烯碳材料的可控制备、表征方法及应用研究。在Nature、 Science等SCI刊物上发表论文380余篇，获授权专利40余项。荣获国家自然科学奖二等奖（两项）、国家级教学成果奖特等奖、全国优秀博士学位论文指导教师和北京大学“十佳”导师等奖励。
赵子强，北京大学物理学院教授、北京大学材料学院双聘教授、博士生导师。主要致力于离子束技术在纳米材料中的应用、基于离子束技术的材料辐照损伤及材料改性、反应堆结构材料等方向的研究。发表SCI论文近百篇。先后承担了科技部重点研发计划、国家自然科学基金等各类项目10余项，曾参与国际核能计划ITER专项研究。现任中国电工学会电子束离子束专委会副主任。
杨耀东，北京大学人工智能研究院研究员（博雅学者）。研究方向为智能体安全交互与价值对齐，科研领域涵盖强化学习、大模型对齐。发表AI领域顶会顶刊论文一百余篇，谷歌引用七千余次，曾获ICCV’23最佳论文奖入围、CoRL’20最佳系统论文奖、AAMAS’21最具前瞻性论文奖、WAIC’22云帆奖璀璨明星、ACM SIGAI China新星奖。带领国内团队研发多智能体强化学习算法首登Nature Machine Intelligence，主导Baichuan2、鹏城脑海33B、香港HKGAI大模型对齐工作。
钱柳，北京大学材料科学与工程学院助理研究员。主要从事碳纳米管的结构控制制备和应用研究，在单壁碳纳米管的手性控制生长和高密度水平阵列可控制备方面取得重要成果，在Nat. Electron.、Adv. Mater.、JACS、Angew. Chem.、Matter等SCI刊物发表论文30余篇。获中国科协“未来女科学家计划”北京市提名、北京分子科学国家研究中心BMS Senior Fellow、北京大学优秀博士后奖。
相关论文信息
▌论文标题：Transforming the Synthesis of Carbon Nanotubes with Machine Learning Models and Automation
▌论文网址：https://www.sciencedirect.com/science/article/abs/pii/S2590238524005824
▌DOI：https://doi.org/10.1016/j.matt.2024.11.007
本文来自CellPress细胞科学，本文观点不代表石墨烯网立场，转载请联系原作者。
