MIT李巨教授，最新Nature!

主要观点总结

本文介绍了一个多模态机器人平台CRESt，该平台集成了大规模多模态模型（LMM）、知识辅助贝叶斯优化（KABO）和机器人自动化。CRESt平台用于多元素电催化剂发现，通过结合化学成分、文本嵌入（文献知识）和微观结构图像，加速材料设计、合成与表征及电化学性能优化。该平台还借助相机监控与视觉—语言模型（VLM）进行假设生成与异常诊断。在甲酸盐电氧化任务中，CRESt发现了性能提高9.3倍的先进催化剂。此外，文章还介绍了CRESt平台的核心组成部分、KABO方法、实验过程监控、催化剂的电化学性能测试以及机制分析。

关键观点总结

关键观点1: 多模态机器人平台CRESt的提出背景和应用意义。

由于材料发现中的实验设计是一项根本性挑战，传统主动学习方法难以应对真实世界实验的复杂性和不可重复性。因此，麻省理工学院的李巨教授提出了CRESt平台，旨在将人工智能全面应用于材料发现中。

关键观点2: CRESt平台的主要功能和组成部分。

CRESt平台集成了大规模多模态模型、知识辅助贝叶斯优化和机器人自动化，将化学成分、文献知识和微观结构图像纳入代理模型，加速材料设计、合成与表征及电化学性能优化。平台还包括用户界面、基于LMM的后端系统以及多种执行器，用户可通过语音或文本与平台交互，无需编程经验即可控制机器人设备。

关键观点3: 知识辅助的主动学习在催化剂探索中的应用。

传统贝叶斯优化依赖单一数据流，而CRESt引入了知识辅助贝叶斯优化方法，将文献知识、微观结构图像和成分信息整合到降维后的潜空间中进行优化，显著提升了搜索效率和发现高性能样本的速度。

关键观点4: 视觉语言模型在诊断实验异常中的应用。

CRESt通过视觉语言模型实时监控实验过程，识别机械、电气、热学等隐藏错误，提高实验的可重复性和诊断准确率。

关键观点5: CRESt平台在甲酸盐电氧化任务中的成果。

在甲酸盐电氧化任务中，CRESt平台探索了>900种催化剂化学配方，完成≈3,500次电化学测试，发现了一款性能提高9.3倍的先进催化剂。