Human-AI collaborative autonomous synthesis with pulsed laser deposition for remote epitaxy

📄 arXiv: 2511.11558v1 📥 PDF

作者: Asraful Haque, Daniel T. Yimam, Jawad Chowdhury, Ralph Bulanadi, Ivan Vlassiouk, John Lasseter, Sujoy Ghosh, Christopher M. Rouleau, Kai Xiao, Yongtao Liu, Eva Zarkadoula, Rama K. Vasudevan, Sumner B. Harris

分类: cond-mat.mtrl-sci, cs.AI

发布日期: 2025-11-14

💡 一句话要点

提出人机协作自主合成方法，加速远程外延薄膜生长研究

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人机协作 自主合成 脉冲激光沉积 远程外延 大型语言模型 材料科学 薄膜生长

📋 核心要点

  1. 传统自主实验室依赖数据驱动决策，领域专家的人工监督有限，无法充分利用AI进行假设生成、实验规划和结果解释。
  2. 论文提出人机协作（HAIC）工作流程，结合大型语言模型和协作策略更新，驱动脉冲激光沉积实验，实现BaTiO$_3$/石墨烯的远程外延。
  3. 实验表明HAIC加速了假设形成和实验设计，有效绘制了生长空间到石墨烯损伤的映射，并优化了BaTiO$_3$薄膜生长条件。

📝 摘要（中文）

本文提出了一种人机协作（HAIC）工作流程，用于加速远程外延薄膜生长。该流程集成了大型语言模型（LLM）进行假设生成和分析，并结合协作策略更新，驱动脉冲激光沉积（PLD）实验，用于BaTiO$_3$/石墨烯的远程外延。HAIC加速了假设形成和实验设计，并有效地绘制了生长空间到石墨烯损伤的映射关系。原位拉曼光谱表明，化学反应驱动降解，而最高能量的羽流成分会引发缺陷。研究确定了一个低O$_2$压力、低温的合成窗口，该窗口可以保护石墨烯，但与最佳BaTiO$_3$生长不相容。因此，研究表明需要两步Ar/O$_2$沉积来剥离铁电BaTiO$_3$，同时保持单层石墨烯中间层。HAIC在自主批次之间进行人机协同，推动了快速的科学进展，为许多现有的人在环自主工作流程提供了演进。

🔬 方法详解

问题定义：论文旨在解决传统自主实验室中AI利用率不足的问题，现有方法依赖数据驱动，缺乏人类专家的深度参与，导致假设生成、实验设计和结果解释效率低下。尤其是在材料合成领域，需要结合人类的领域知识和AI的自动化能力，才能更高效地探索材料生长空间。

核心思路：论文的核心思路是构建一个人机协作（HAIC）的闭环系统，将人类专家的领域知识与AI的推理能力相结合。人类专家可以根据实验结果和AI的分析，调整实验策略和目标，AI则负责自动化实验流程和数据分析，从而实现优势互补，加速科学发现。

技术框架：HAIC工作流程包含以下主要模块：1) 大型语言模型（LLM）：用于生成实验假设和分析实验结果。2) 协作策略更新：人类专家根据LLM的分析和自身的领域知识，更新实验策略。3) 脉冲激光沉积（PLD）系统：用于自动化执行薄膜生长实验。4) 原位拉曼光谱：用于实时监测薄膜生长过程中的化学成分和结构变化。整个流程形成一个闭环，不断迭代优化实验条件。

关键创新：论文的关键创新在于将大型语言模型引入到材料合成的自主实验流程中，实现了人机协作的深度融合。与传统的人在环方法相比，HAIC能够更有效地利用人类专家的领域知识，并将其转化为AI可以理解和执行的策略，从而加速了实验进程。

关键设计：论文的关键设计包括：1) 使用大型语言模型进行假设生成和结果分析，减少了人工干预的需求。2) 设计了协作策略更新机制，允许人类专家根据实验结果和AI的分析，调整实验策略。3) 采用脉冲激光沉积技术，实现了薄膜生长的自动化和精确控制。4) 利用原位拉曼光谱技术，实时监测薄膜生长过程，为实验优化提供了数据支持。

📊 实验亮点

实验结果表明，HAIC能够加速BaTiO$_3$/石墨烯远程外延的实验进程，并有效地绘制了生长空间到石墨烯损伤的映射关系。通过原位拉曼光谱分析，确定了低O$_2$压力、低温的合成窗口，并提出了两步Ar/O$_2$沉积方法，成功剥离了铁电BaTiO$_3$，同时保持了单层石墨烯中间层。该方法显著提升了材料合成效率和质量。

🎯 应用场景

该研究成果可应用于各种材料合成与表征领域，尤其适用于需要领域专家知识指导的复杂材料体系。通过人机协作，可以加速新材料的发现与优化，降低研发成本，并推动相关产业的技术进步。未来，该方法有望扩展到其他科学研究领域，例如药物研发、化学合成等。

📄 摘要（原文）

Autonomous laboratories typically rely on data-driven decision-making, occasionally with human-in-the-loop oversight to inject domain expertise. Fully leveraging AI agents, however, requires tightly coupled, collaborative workflows spanning hypothesis generation, experimental planning, execution, and interpretation. To address this, we develop and deploy a human-AI collaborative (HAIC) workflow that integrates large language models for hypothesis generation and analysis, with collaborative policy updates driving autonomous pulsed laser deposition (PLD) experiments for remote epitaxy of BaTiO$_3$/graphene. HAIC accelerated the hypothesis formation and experimental design and efficiently mapped the growth space to graphene-damage. In situ Raman spectroscopy reveals that chemistry drives degradation while the highest energy plume components seed defects, identifying a low-O$_2$ pressure low-temperature synthesis window that preserves graphene but is incompatible with optimal BaTiO$_3$ growth. Thus, we show a two-step Ar/O$_2$ deposition is required to exfoliate ferroelectric BaTiO$_3$ while maintaining a monolayer graphene interlayer. HAIC stages human insight with AI reasoning between autonomous batches to drive rapid scientific progress, providing an evolution to many existing human-in-the-loop autonomous workflows.