CRESt平台通过“LMM+机器人自动化+多模态主动学习”的创新架构，首次实现了多元素电催化剂的高效、智能、可重复，解决了传统材料实验“慢、贵、不可控”的核心痛点。

本期“论文精选”专栏将介绍麻省理工学院李巨教授团队未正式发表但已预览在《Nature》期刊上的文章《A multimodal robotic platform for multi-element electrocatalyst discovery》。

传统材料实验依赖单模态主动学习，仅利用单一数据流，忽略文献知识、微观结构、实验经验等多源信息，未能充分发挥AI对复杂实验的解读能力；实验可重复性差，需大量人工调试；搜索空间庞大，传统实验难以高效筛选。

文章的研究目标是开发“面向现实实验科学家的副驾驶（CRESt）”平台，实现多元素电催化剂的高效发现、合成与性能优化，尤其针对电化学甲酸氧化反应。

开发了CRESt平台。整合大型多模态模型（LMMs，融合化学组成、文本嵌入、微观结构图像）、知识辅助贝叶斯优化与机器人自动化，通过知识嵌入缩减搜索空间、自适应探索-利用策略，加速材料设计、高通量合成表征及电化学性能优化；同时支持摄像头监控与视觉语言模型（VLMs）驱动的假设生成，诊断并修正实验异常。

在电化学甲酸氧化反应中的应用显示，CRESt在3个月内探索900余种催化剂化学组成与3500余次电化学测试，在八元化学体系（Pd–Pt–Cu–Au–Ir–Ce–Nb–Cr）中发现性能最先进的催化剂，其成本特异性性能较纯Pd基准提升9.3倍。

   -用户界面

   支持语音与文本交互，科研人员无需编程经验即可控制机器人平台，同时能以自然语言与平台对话，实时生成实验观察与假设。

   -LMM驱动后端

   整合多模态数据（文本、图像、化学组成）与优化算法（KABO），负责知识提取、数据嵌入、优化计算，是平台的“大脑”。

   -执行器集群

   涵盖样品制备（液体处理机器人、碳热冲击系统）、测试（自动化电化学工作站）、表征（XRD、软件驱动SEM）及辅助设备（蠕动泵、气体阀），所有设备通过定制Python代码远程控制，且经过3D打印、激光切割、电气改造以适配电化学研究需求（如定制36槽样品台用于碳纸样品放置）。

   通过LMMs整合多元信息，实现“知识引导+数据驱动”的优化。

   -多源数据嵌入

   文本嵌入。搜索甲酸氧化反应相关金属元素的文献描述，通过词嵌入模型将文献知识转化为合金特异性向量，缩小搜索范围。

   图像嵌入。开发高通量SEM成像流程（不同分辨率），提取催化剂颗粒的4类形态特征，用于AL模型训练，补充化学组成之外的结构信息。

   -降维与优化

   通过PCA更新latent space，保留至少80%数据变异性（确保关键信息不丢失），再利用知识梯度（KG）采集函数在低维空间中优化，最后通过SLSQP将优化结果映射回实际材料组成，解决高维搜索难题。

动态探索-利用平衡

   引入强化学习中“贝叶斯优化与策略改进约束（BOPIC）”框架的动态调整机制，用拉格朗日乘数（λ）自适应平衡“探索未知区域”与“利用优势区域”，无需人工调参（传统BO依赖固定权重参数κ），提升优化灵活性。

图1 CRESt工作流程

多元素催化剂的化学组成搜索空间呈指数级增长，传统实验难以覆盖，而CRESt通过“知识引导+多模态优化”，显著提升搜索效率。

三元体系（Pd-Pt-Cu）的潜在配方约5×105种，CRESt仅通过不到60种实验，即筛选出最优催化剂（Pd0.635Pt0.258Cu0.107），筛选效率提升一个数量级，且通过交叉验证（预测值与实验值拟合优度高）证实结果可靠性。

八元体系（Pd-Pt-Cu-Au-Ir-Ce-Nb-Cr）需要面对2×1017种潜在的配方，CRESt通过PCA降维（保留≥80%数据方差）与KABO算法优化，发现最优催化剂

（Pd0.381Pt0.080Cu0.009Au0.004Ir0.02Ce0.086Nb0.338Cr0.082），成本特异性性能较纯Pd提升9.3倍。实验还通过“二次AL探索”验证全局性——第二次优化仍收敛至相近高性能值，排除局部最优解干扰。

图2 多元素电催化剂的主动学习研究结果

CRESt发现的优化催化剂不仅在半电池测试中表现优异，更在直接甲酸燃料电池（DFFC）器件中实现“高性能+低贵金属负载”的突破。

三电极测试中，正向扫描甲酸氧化峰电流显著高于纯Pd基准，反向扫描因金属氧化物还原的活性回升更明显。这表明催化剂能减少惰性氧化物生成，提升活性位点利用率。

DFFC测试中，优化催化剂的金属总负载量为2.0 mg/cm2，仅为传统器件的1/4，但峰值功率密度达325 mW/cm2，显著高于不同负载量的纯Pd基准（如纯Pd负载4.0 mg/cm2时功率密度仍低于300 mW/cm2）。

图3 电化学测试

传统材料实验常因机械、电气、热学等隐藏误差导致数据不可靠，CRESt通过视觉语言模型（VLMs）实现误差诊断与修正。

早期实验中，移液管Z轴高度过低导致碳纸位移（微米级变化）、激光切割木质平台碳化导致样品尺寸偏差（1 mm偏差引发10%测试误差）等问题，均被VLMs精准识别。文章构建“实验故障Q&A集”（基于真实失败案例），测试不同VLMs的诊断准确率——OpenAI o3达72%，Gemini-2.5 Pro为70%，OpenAI o4-mini为68%，即使性能较低的Llama-3.2-90B也达48%。修正后，实验数据的相对标准偏差（RSD）从原来的>20%降至<5%，满足主动学习（AL）训练对数据可靠性的要求。

图4 CRESt平台的视觉分析模块

CRESt的核心算法（KABO、BOPIC）通过实验对比，证实其在优化效率、收敛速度上优于传统贝叶斯优化（BO）。

图5 算法性能对比

文章通过原位表征与DFT计算，证实CRESt发现的优化催化剂性能提升具有明确机理支撑，反证平台筛选结果的科学性与可靠性。

XRD显示八元催化剂为单一FCC相，晶格参数（3.899 Å）与纯Pd（3.896 Å）接近，无明显变形；高角环形暗场扫描透射电镜（HAADF-STEM）与EDS证实元素混合均匀，无偏聚。

原位X射线吸收近边结构（XANES）显示，Pd、Pt在反应中保持金属态（无惰性氧化物生成）；DFT计算显示，八元催化剂的Pd d带中心低于纯Pd，减弱H、CO吸附强度，间接路径决速步能垒从纯Pd的0.706 eV降至-0.005 eV。同位素实验与CO剥离实验进一步证实，催化剂抗H、CO中毒能力较纯Pd提升3-5倍。

图6 从结构、电子特性、反应能垒三个层面，揭示性能提升的核心机制

CRESt平台的意义不仅在于发现了高性能甲酸氧化催化剂，更在于为“AI for Science”提供了可推广的实验范式——将人类科研智慧、机器自动化和AI的复杂数据解读能力深度融合，可拓展至电池材料、催化剂、功能合金等多领域的定制化材料研发。