美国麻省理工学院李巨团队在国际顶尖学术期刊Nature上发表了一篇研究论文，展示了一种多模态机器人平台CRESt（Copilot for Real-world Experimental Scientists），通过将多模态模型（融合文本知识、化学成分以及微观结构信息）驱动的材料设计与高通量自动化实验相结合，大 幅提升催化剂的研发速度和质量。 实验材料科学的核心挑战之一是如何在庞大的化学设计空间中进行高效优化。 传统的发现方法往往依赖于单模态的主动学习框架，即利用单一类型的数据，例如元素组成与性能的对映关系。 美国麻省理工学院李巨团队发布的CRESt平台致力于通过自动化实验的方式，采集不同形式的数据，并将其纳入同一主动学习框架，即知识辅助的贝叶斯 优化（KABO）。 除此之外，另一算法上的创新是提出策略改进约束的贝叶斯优化（BOPIC），其引入拉格朗日乘子动态调整探索 (exploration) 与利用 (exploitation) 的平 衡，从而避免手动调参。 CRESt在短短三个月内完成了900多种催化剂化学组成和3500多次电化学测试，并在三元和八元体系中都发现比传统最优的纯钯基有大幅性能提升的化学 配方 ...