自主实验边跑边修正物理理论：贝叶斯协同导航框架

bravo_abad · x · 2026-08-18

Slautin 等人在 ACS Nano 提出贝叶斯协同导航（Bayesian conavigation）：自动实验与计算物理模型在闭环中同步探索、共同演化。

三个耦合循环：一个探索实验、一个探索物理模拟，外层贝叶斯循环持续调整物理模型参数以减小理论与实验的偏差——超越纯数据驱动的贝叶斯优化。
实验设置：自动原子力显微镜测量 (CrTaWV)x−Mo(1−x) 组合薄膜库的表面粗糙度，动力学蒙特卡洛（kMC）模型模拟同一观测量，高斯过程代理引导两个空间，外层循环更新 kMC 模型的有效键能。
结果：模型在实验中变得逐渐材料特异化；重现了 x≈0.7 处的粗糙度峰值，完整协同导航约 2 小时，而穷举 AFM 扫描需 16 小时以上。
机制解释：推断出 EAB > EAA, EBB，即更强的 CrTaWV–Mo 混合键在中间组分抑制表面扩散，产生粗糙度峰值。作者也谨慎指出拟合参数集未必唯一。

对 AI for Science 的启示：自主发现不必在黑盒优化与固定物理理论间二选一，实验与理论可以共同演化，让自主实验室在学到数据的同时修正自己的科学模型。

「研究」频道最新