【ZiDongHua 之“智能自动化”标注关键词： 机器人 机器学习 自动化合成平台】
 

　　AI+自动化：165倍加速CO₂转化C₃烯烃催化剂发现，揭开CO₂还原新机制

 
　　在碳中和目标的推动下，将二氧化碳（CO₂）电催化转化为高附加值化学品，成为绿色能源研究的前沿方向。近期，来自多伦多大学的教授 David Sinton 和其他机构组成的研究团队在《Joule》发表了一项研究成果“Accelerated discovery of CO2-to-C3-hydrocarbon electrocatalysts with human-in-the-loop” 通过集成自动化、机器学习与专家知识，成功发现了一种高效将 CO₂ 转化为丙烯（C₃烃）的电催化剂，不仅效率显著，还揭示了 CO₂ 还原反应的新路径。
 
　　自动化平台：从“手工试错”到“智能实验”传统催化剂研发依赖“试错式”实验，周期长、效率低，难以应对多元素、多变量体系的复杂性，往往卡在样品制备、测试标准化与数据品质等瓶颈。研究团队构建了一套“人机协同”的探索框架，结合了自动化实验平台（高通量合成与测试）、机器学习，并加以人类专家实时修正模型预测，此平台可在 15 元素空间中高效筛选出性能优异的 CO₂-to-C₃（丙烯）电催化剂，整体效率提升高达 165 倍，为能源材料领域带来了新突破。
 
　　“自动化＋AI＋专家”
 
　　能源材料发现新范式
 
　　1.自动化合成：机器人“代班”实验员
 
　　研究中使用了 Chemspeed 的自动化合成平台，实现了自动化高通量电催化剂合成。平台上集成了多种模块化全自动工具，可精准控制金属前驱体比例、还原剂添加，进行离心与清洗步骤，28 小时内可完成 60 种催化剂的合成，比人工操作提速 34 倍，这使得过去需数周甚至数月的实验，如今在几天内即可完成，数据质量也更有保障。
 
　　催化剂墨水也在平台上自动制备，并均匀地滴涂在气体扩散层（GDL）上，形成电极。自动制备电极的重复性良好，避免了人工操作带来的批次差异，为后续测试提供稳定基础。
 
 
　　图一）研究中使用的 Chemspeed 自动化合成平台
 
　　研究团队进一步把自动化落实到 10 通道的膜电极组（MEA）并行测试，其 10 通道膜电极反应器（MEA）系统，可同时测试 30 种催化剂的 CO₂ 还原性能，使整个实验流程的效率进一步提升。研究结果显示，新的加速实验平台為整个工作流程加速了約 33 倍。
 
 
　　图二）加速 CO₂ 催化剂研究工作的流程
 
　　2.人机协同：专家知识“实时注入”
 
　　自动化不仅为了提升了实验速度，其意义更重于通过标准化数据流程，为机器学习模型提供高质量训练数据，为后续的机器学习奠定扎实基础。在这次研究中，研究团队采用可解释的广义加法模型（GAM），允许专家在实验过程中实时调整模型参数，将化学直觉转化为可迭代的演算法，避免模型“误入歧途”，研究发现，专家知识的介入可将实验提速约 5 倍。每一轮实验后，模型自动重训练并预测下一批候选材料，实现闭环优化。仅通过 5 轮迭代，便从数千种组合中锁定 Cu₀.₉₈In₀.₀₂ 这一高性能催化剂，显着提升目标产物丙烯的产率。
 
　　总括而言，整个工作流程相较传统贝叶斯引导的批量筛选方法总体加速约 165 倍，其中约 33 倍来自新的加速实验平台，另有约 5 倍来自专家知识的介入，充分显示了人机协同的叠加效应。
 
　　在这场与时间赛跑的碳中和竞赛中，自动化技术正成为科学家最可靠的“加速器”。自动化技术不仅是提效工具，更通过标准化流程和数据驱动决策，增强了研究的可重复性和可扩展性。通过构建标准化、可扩展、数据驱动的实验平台，以人机协同的方式，注入专家智识的力量，这方式将成为推动材料科学转变的核心驱动力，实现未来能源材料领域的新突破。