準確率達91%，Reac-Discovery融合數學建模/機器學習/自動化實驗，解決自驅動實驗室系統通用性難題

自驅動實驗室系統提高了化學反應器設計的速度和精度，但現有研究缺乏針對幾何參數的統一模型。針對不同體系間的通用性問題，來自西班牙 IMDEA 材料研究所的研究團隊推出了 Reac-Discovery 半自主數字平臺，基於周期性開孔結構，推出了先進催化反應器的創新解決方案。

過去，在反應器工程中，3D 打印技術能夠精確製造出具有規則孔洞的「周期性開孔結構（POCs）」，構建「網格狀」反應器讓氣體、液體和熱量在其中順暢流動，為反應效率提升創造了可能。而人工智能的加入，則讓實驗室進一步具備了「自我調節」能力：自動化平臺能夠實時監測温度、流速和反應進程，並根據數據自主優化實驗方案。這類被稱為自驅動實驗室（Self-Driving Laboratories, SDL）的系統，正為反應器設計帶來前所未有的精度與速度。

然而，儘管數字化和自動化實驗的結合帶來了突破，現有研究仍缺乏針對孔隙率、表面積、曲折度等幾何參數的統一模型。計算流體力學（CFD）模擬等傳統方法不僅存在效率低、計算成本高等侷限，而且結構化反應器的設計往往依賴人工經驗與專用軟件，缺乏可推廣的統一框架，導致不同體系間的可複用性和通用性有限。

針對傳統方法的侷限，來自西班牙 IMDEA 材料研究所的研究團隊推出了 Reac-Discovery 半自主數字平臺，基於周期性開孔結構，採用了集成設計、製造與優化模塊的閉環體系，能夠並行進行多反應器評估，並具有實時核磁共振（NMR）監測、機器學習（ML）優化工藝參數和拓撲描述符的功能，在提升性能、反應效率和減少材料消耗的同時，提高了系統的通用性。

相關研究成果以「Reac-Discovery: an artificial intelligence–driven platform for continuous-flow catalytic reactor discovery and optimization」為題，發表於 Nature Communications。

研究亮點：

* 將數學建模、機器學習與自動化實驗系統結合，實現催化反應器從幾何設計、3D 打印製造到實驗優化的全流程一體化； 

* 將拓撲參數納入優化空間，突破了傳統方法調控温度、流速等單一變量的侷限，實現幾何結構與工藝條件同步優化； 

* 構建基於神經網絡的性能預測模型，開發機器學習驅動的算法體系，並通過性能模型實現反應器表現的快速評估迭代，顯著提高實驗效率與資源利用率。 

論文地址：https://go.hyper.ai/ueB79

自主生成數據集，支撐閉環優化

該研究未採用外部公開數據集。研究團隊依託 Reac-Discovery 平臺，在實驗過程中自主生成了涵蓋幾何結構、可打印性與反應性能的多維內部數據體系。根據平臺的 Reac-Gen、Reac-Fab、Reac-Eval 3 個功能模塊，該研究生成的數據集分為 3 個部分：

 * 結構參數化數據集：Reac-Gen 利用數學參數化模型生成周期性開孔結構（POCs），通過尺寸、閾值和分辨率等參數控制結構形態完成輸出，為拓撲優化提供量化輸入； 

* 可打印性數據集：Reac-Fab 在建立結構參數與打印結果對應關係后生成； 

* 反應性能數據集：Reac-Eval 基於自驅動實驗室（SDL）開展並行實驗時，實時記錄温度、流速、濃度及產率等數據形成。 

目前，包括從結構生成到性能驗證的閉環框架生成數據均已上傳至 Zenodo。

數據集鏈接：https://hyper.ai/datasets/45520

Reac-Discovery：三模塊集成，實現一體化流程閉環

Reac-Discovery 的整體架構以機器學習（ML）為核心，基於數據反饋形成「生成-製造-評估-優化」的一體化流程閉環。其中，該閉環平臺主要分為 Reac-Gen、Reac-Fab 和 Reac-Discovery 三個模塊，各模塊功能在運行時相互關聯：

* Reac-Gen：對周期性開孔（POC）結構進行參數化生成及幾何分析，並通過機器學習（ML）提供反饋； 

* Reac-Fab：通過高分辨率 3D 打印算法驗證反應器的可打印性並製造，隨后進行催化功能化； 

* Reac-Eval：利用機器學習與實時核磁共振（NMR）監控數據分析，使用人工神經網絡（ANN）同時優化工藝和幾何形狀；實驗結果再反饋至核心機器學習模型，推動反應器完善自學習、自迭代循環。  

閉環平臺 Reac-Discovery 的整體架構 

Reac-Gen：幾何建模與參數化設計

Reac-Gen 模塊是 Reac-Discovery 系統的起點模塊，負責反應器幾何設計與參數化建模。該模塊基於包括 Gyroid、Schwarz、Schoen-G 等在內的一組預定義的數學方程生成周期性開孔結構，並通過調節尺寸（S）、水平閾值（L） 和分辨率（R）三項主要參數，在「宏觀+微觀」尺度上生成多樣化的幾何拓撲。在三個模塊中，Reac-Gen 主要負責數字化建模與結構量化，其工作流程分為以下主要環節：

* 首先輸入結構的關鍵幾何參數，系統基於預定義的數學方程在三維標量場中建立模型，並通過等值面計算生成隱式曲面，確定反應器的總體形態與內部拓撲結構； 

* 將方程投影至三維空間並基於算法進行網格化處理、尺度調整和圓柱形裁剪，使結構適配反應器外形，以獲得高保真度的三維結構；同時，自動校正邊界平滑度和孔隙連續性，以確保結構在打印與流體模擬中均具備合理的物理連通性與穩定性； 

* 生成製造與數據分析文件，輸入下一模塊 Reac-Fab，為后續的可打印性預測、3D 製造及性能數據分析提供核心輸入。 

在數據輸出步驟中，Reac-Gen 輸出的數據文件分為兩類：

* STL 文件：用於三維打印製造； 

* 結構特徵文件（XLSX）：記錄表面積、孔隙率、曲折度、水力直徑等幾何描述符。 

Reac-Gen 和 Reac-Fab 模塊的工作流程圖

Reac-Fab：從可行性驗證到樣品打印

Reac-Fab 模塊主要負責反應器的物理製造，採用高分辨率立體光刻（SLA）3D 打印技術實現結構構建。該模塊的工作流程分為 2 個環節：

* 接收 Reac-Gen 輸出的 STL 與結構數據，利用機器學習模型預測結構可打印性，並進行打印設置與設備校準； 

* 通過高分辨率 SLA 技術打印結構，採用已優化的材料配方與參數，對打印樣品進行表面化學改性、催化活性組分固定化等功能化處理，得到樣品。 

其中，該模塊在可打印性驗證環節中採用了基於神經網絡分類模型的算法。該算法使用共 236 個實驗樣本作為訓練數據，模型通過對比關鍵幾何描述符的理論權重與實驗權重，判斷結構是否可打印。從實驗數據來看，該方法的預測準確率高達 91%，能夠有效提升製造效率並降低實驗成本。同時，該模塊無需大量預實驗即可運行，提高了算法在不同打印體系（如使用 PLA 的 FDM 打印）中的適用性與可擴展性。

Reac-Eval：實驗驗證與雙重優化

Reac-Eval 是 Reac-Discovery 平臺中實驗驗證與優化的核心模塊。該模塊集成了能夠同時評估多個由 Reac-Gen 設計、Reac-Fab 打印的結構化催化反應器，能夠對多相反應的實時監測與自動調控。其中，所有硬件都通過基於 Python 的統一接口集成，以確保實驗數據、預測模型與控制系統間的無縫銜接。Reac-Eval 的工作流程主要涵蓋 5 個步驟：

* 定義氣液流速、温度、濃度及拓撲描述符範圍等邊界條件，生成隨機化的實驗組合覆蓋參數，完成實驗初始化與條件設定； 

* 在自驅動平臺並行運作多個結構化反應器，通過臺式 NMR 實時監控反應進度，採集性能數據； 

* 基於機器學習和神經網絡模型 M1，對過程變量和工藝參數進行優化，並根據初始數據集重複訓練未達到預期的優化結果； 

* 基於神經網絡模型 M2，對反應器的幾何參數進行優化； 

* 根據 M2 的預測結果生成優化后的反應器設計，進行二次實驗驗證，並將未達到預期的數據返回模型繼續訓練。 

總的來説，在實現工藝參數與幾何拓撲雙重優化的同時，Reac-Eval 模塊基於自驅動平臺，構建了實驗、建模與反饋的自動化循環。

Reac-Eval 模塊工作流程

Reac-Discovery 應用效果雙重驗證

為驗證 Reac-Discovery 在多尺度耦合與機器學習驅動優化中的實際效能，研究團隊選擇了苯乙酮加氫和 CO₂ 環加成兩種典型多相催化反應作為測試場景。在涉及氣–液–固三相轉化的同時，苯乙酮加氫的温和加氫轉化，和 CO₂ 環加成的高複雜度熱力學反應，為驗證系統在自優化、拓撲重構方面的魯棒性、穩定性與可重複性提供了條件。

苯乙酮加氫反應驗證

在苯乙酮加氫反應驗證實驗中，研究團隊選擇苯乙酮加氫反應作為測試對象，以固定化鈀納米顆粒（PdNPs）為催化劑，採用通過兩階段優化路徑評測了 Reac-Discovery 在複雜多相催化反應中的優化能力：

* 第一次優化階段（G1 ）：基於 Reac-Gen 生成 9 組螺旋（Gyroid）幾何結構，構建孔隙率與表面積差異顯著的反應器；Reac-Eval 模塊執行 60 組加氫實驗，並通過核磁共振實時監測反應過程並採集數據，用於訓練 M1 的關聯建模； 

* 第二次優化階段（G2）：基於 M2 模型，將結構描述符納入學習過程，以實現結構與性能的聯合優化。 

實驗數據表明，M1 模型預測與實驗結果高度一致，可在超過一百萬種參數組合中識別最優工藝區間，顯著減少實驗探索成本。此外，在 G2 階段，M2 模型的預測精度進一步提升，能夠通過對 480 種可打印的 POC 結構進行篩選比對，識別出最佳幾何形態，驗證了 Reac-Discovery 平臺在多變量優化與結構功能預測中的高精度與魯棒性。

苯乙酮加氫反應實驗 G1 優化階段 

苯乙酮加氫反應實驗 G2 優化階段

CO₂ 環加成反應

為進一步驗證平臺在複雜多相體系中的適應性，研究團隊採用 CO₂ 環加成反應 進行了驗證實驗：

* 第一階段（G1）：基於 Reac-Eval 模塊，通過自驅動實驗平臺完成 60 組條件實驗，利用核磁共振實時監測生成初始數據集，並使用神經網絡模型 M1 預測了產率，篩選出理論最優條件； 

* 第一階段（G2）：基於模型 M2 整合幾何描述符與工藝參數，優化反應器拓撲與反應條件，通過比較可打印 POC 結構確定幾何最優解。 

實驗結果表明，實驗篩選出的理論最優條件與預測值完全一致，刷新了當前三相固定化反應器的性能上限。此外，Reac-Discovery 反應器在四種不同環氧化物體系中始終保持 40% 至 90% 的高轉化率，驗證了 Reac-Discovery 的跨體系的泛化能力與穩定性。

基於 Reac-Discovery 的 CO₂ 環加成優化活動 G1 及 G2 階段圖

AI 融合，自驅動實驗室成化學研究新範式

人工智能在流動化學與反應器工程領域的快速融合，正使自驅動實驗室逐漸成為成為化學研究的新範式。2025 年 7 月，來自北卡羅來納州立大學的研究團隊發表論文「Machine learning-assisted discovery of flow reactor designs」，針對傳統化學實驗依賴人工試錯、效率低且缺乏可重複性的問題，提出了基於自驅動實驗室的全新流動化學框架。該框架將自動化實驗平臺與實時數據分析及人工智能決策相結合，實現了反應設計、執行與優化的一體化閉環，顯著提升了反應過程的精度、效率與可擴展性。

論文地址：https://doi.org/10.1038/s44286-024-00099-1

來自多倫多大學化學系的研究團隊也同樣以自驅動實驗室作為化學研究的全新範式，將自動化實驗硬件、實時數據分析與 AI 規劃決策整合，實現實驗設計、執行、分析與優化的閉環。該研究通過高頻自動化實驗平臺生成高密度數據，並結合貝葉斯優化、強化學習等 AI 算法，實現實驗步驟的自主設計與迭代推進，從而顯著提升了發現效率與可擴展性。目前，該研究成果以「Self-Driving Laboratories for Chemistry and Materials Science」為題，發表於 ACS Publications。

論文地址：https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055

對此，2025 年 7 月，英國皇家學會在 Open Science 發文表示，自驅動實驗室的核心由硬件自動化、算法優化和自學習反饋組成，能夠在無人干預下執行實驗並迭代改進，實現了從實驗設計到結果驗證的全流程閉環，加速了化學與材料科學的發現過程。「自驅動實驗室甚至可能取代一些科研崗位，但也可能創造許多新的機會。」當前，自驅動實驗室實際上面臨着系統成本高昂、數據標準化不足、模型泛化能力有限以及安全與倫理風險等挑戰，但隨着算法與硬件融合的不斷成熟，自驅動實驗室可能在未來重塑科研體系，創造更高效、更可重複和更具智能化的科學探索模式。

參考鏈接：

1.https://royalsocietypublishing.org/doi/10.1098/rsos.250646#d717644e1

2.https://www.nature.com/articles/s41467-025-64127-1

3.https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055

4.https://doi.org/10.1038/s44286-024-00099-1

本文來自微信公眾號「HyperAI超神經」，作者：紫晗，36氪經授權發佈。