化学、生物与自动化实验室
突破级
有讲解视频
收录解读
这篇论文属于 AI for science / self-driving lab 方向里比较扎实的一类工作：不是泛泛谈 autonomous lab，而是在原子层外延薄膜合成中做实时闭环决策。核心问题是多维工艺参数空间搜索成本高，而材料制备过程中的反馈又是连续且高时效的。
作者把实时计算机视觉分析的 RHEED 电子衍射图像接到组合式脉冲激光沉积平台上，让系统在生长过程中逐帧分析并即时更新下一轮实验决策，形成真正的 closed-loop autonomous navigation。结果上，论文报告相对全面参数扫描可实现超过 30 倍的实验次数压缩，这对实验吞吐和工艺优化都很有说服力。
对仓库来说，它的重要性在于工作流模式：实时视觉表征 + 原位反馈 + 自动实验决策 + 材料工艺优化。这种模式比很多只做离线 surrogate 或单步 BO 的论文更接近可迁移的实验自动化基础设施，因此属于高价值 AI x materials / AI x lab automation 条目。
它没有升到更高一级，是因为当前工作仍主要展示在特定薄膜合成平台与目标相上。方法的跨实验平台泛化和更广泛的自治实验能力还需要后续证明，因此目前定为 breakthrough 更稳妥。