化学、生物与自动化实验室
突破级
暂无讲解视频
收录解读
很多 self-driving lab 系统虽然能自动优化工艺参数，但本质上仍然是黑盒 optimizer，难以沉淀成可迁移的科学知识。这篇论文的关键价值，在于把自动实验平台从“找到最优点”推进到“提炼可供人类使用的增长规则”。
作者在 sputter epitaxy 场景下，把 Bayesian optimization、自动光学评估和 surrogate rule distillation 结合起来：先让闭环系统在高维工艺空间里找到低 Urbach energy 的优质生长条件，再把闭环数据转成随机森林 surrogate，并进一步蒸馏为 response curves 和成对交互规则，从而得到可解释、可迁移的 growth rules。
这篇工作符合本仓库对 AI for science 的标准，因为贡献不只是自动化 throughput，而是把闭环实验结果转成领域专家可复用的规则表示。这使 self-driving lab 从黑盒搜索工具转向知识生产工作流，方法外溢强于普通自动实验论文。
它仍是 breakthrough，因为目前证明集中在 sputter epitaxy 与特定材料体系；它清楚地展示了“从优化到规则”的路径，但还没有证明该模式在更广自驱实验室中的通用性。