特別說明：本文由米測技術中心原創撰寫，旨在分享相關科研知識。因學識有限，難免有所疏漏和錯誤，請讀者批判性閱讀，也懇請大方之家批評指正。
原創丨彤心未泯（米測 技術中心）
編輯丨風云
隨著“深空”戰略的實行，火星探索是未來的重點發展方向。而氧氣不僅是人類生存必不可少的資源，更是原位生產燃料的重要原料。因此，通過火星本土資源中合成氧氣是探索這一星球必須克服的挑戰。然而，這是一項極具挑戰性的任務，需要開發可以實時遠程引導的合成系統以及AI算法能力。
有鑒于此，中科大羅毅、江俊和尚偉偉等人展示了一個用于自動合成和智能優化火星隕石析氧反應的催化劑的機器人人工智能化學家。在沒有任何人為干預的條件下，AI智能化學家可以完成火星礦石預處理、催化劑合成、表征、測試及催化劑優化整個流程。該方法使用從第一原理數據和實驗測量中得出的機器學習模型，從超過三百萬種可能的組合物中自動快速地識別出最佳催化劑配方。在六周內，這位AI化學家通過使用機器學習和貝葉斯優化算法學習近30,000個理論數據集和243個實驗數據集，建立了一個預測模型，提供了一種有前景的 OER催化劑配方以及最合適的合成條件。合成的催化劑在10mAcm?2 的電流密度下運行超過 550,000 次，過電勢為 445.1mV，證明了人工智能化學家在自動合成用于火星探索的化學品和材料方面的可行性。
人工智能化學家在火星上制造OER電催化劑的協議
在實驗周期中，由探索機器人獲得的當地礦石樣品并進行元素分析，然后對所需礦石進行物理化學預處理，并測試于電化學OER性能。實驗數據被發送到云服務器，由計算“大腦”進行機器學習處理。在計算周期中，“大腦”對數萬種不同元素比例的高熵氫氧化物進行MD模擬，并用DFT計算來估計OER活性。模擬數據用于訓練基于理論的神經網絡模型，該模型很快就會使用機器人驅動的實驗數據進行重新訓練和優化。通過將優化的神經網絡模型嵌入貝葉斯算法，“大腦”可以預測可用火星礦石的最佳組合，以合成最佳的OER催化劑，然后由人工智能化學家進行實驗驗證。
圖 由AI化學家在火星上現場設計和生產OER電催化劑的全方位系統工作流程
使用計算“大腦”構建預訓練的機器學習模型
圖 多金屬氫氧化物的理論模擬與性能預測
由人工智能化學家執行的高通量自動合成表征-性能優化
圖 AI化學家從火星隕石中尋找最佳OER催化劑
模擬火星環境下制氧的可行性驗證
圖 AI化學家完成火星隕石催化劑的電化學測量和實際應用潛力評估
參考文獻：
Zhu, Q., Huang, Y., Zhou, D. et al. Automated synthesis of oxygen-producing catalysts from Martian meteorites by a robotic AI chemist. Nat. Synth (2023).
https://doi.org/10.1038/s44160-023-00424-1
