机器人手臂将移液器浸入培养皿中，并将少量明亮的液体转移到位于另一台机器前面的许多容器中。当所有样品都准备好后，第二台机器测试它们的光学特性，并将结果输送到控制臂的计算机。软件分析这些实验的结果，制定一些假设，然后重新开始该过程。这一过程几乎不需要人类。

由一家名为Kebotix的初创公司开发的装置暗示了机器学习和机器人自动化如何在未来几年内为材料科学的革命做好准备。该公司认为，它可能会发现新的化合物，除其他外，可以吸收污染，对抗抗药性真菌感染，并作为更有效的光电子组件。该公司的软件从具有已知特性的分子的三维模型中学习。

目前一些软件算法已经用于设计化合物和材料，但过程缓慢结果粗糙。通常，机器只是测试材料的轻微变化，盲目地寻找可行的新创作。机器学习和机器人技术可以使过程更快，更有效。Kebotix是致力于这一想法的几家创业公司之一。

公司的目标是使用机器学习来生成候选材料。“我们发现过程太慢了，”Kebotix首席执行官Jill Becker说，“当有一个材料的想法，你开出尝试制作它，然后测试它。但很少有想法得到测试，结果甚至更少。”

Kebotix使用几种机器学习方法来设计新型化合物。该公司将具有所需特性的化合物的分子模型输入到一种神经网络中，该神经网络学习这些属性的统计表征。然后，该算法可以提出适合相同模型的新示例。

Kebotix还使用另一个网络来清除偏离原始设计太多的设计。然后该公司的机器人系统测试剩余的化学结构。这些实验的结果可以反馈到机器学习管道中，帮助它更接近所需的化学特性。该公司称整个系统为“自动驾驶实验室”。

该公司首席产品官Christoph Kreisbeck表示，Kebotix将开始研究用于电子应用的分子，然后尝试解决新的聚合物和合金问题。

“AI预测并计划下一步该做什么；机器人自动化系统非常快速地测试我们的新分子，”Kreisbeck说，“机器可以从数据库中学习，为下一轮做出更好的决策。”

Kebotix由哈佛大学AlánAspuru-Guzik实验室的研究人员创立，他们今年早些时候离开哈佛大学，在加拿大多伦多大学实验室建立了实验室。

麻省理工学院材料科学与工程教授Klavs Jensen领导的实验室正在开发自动化方法来设计有用的新化学品，包括结合机器学习和机器人技术的方法。他说问题在于此类方法往往需要大量数据，这通常很耗时且难以收集。随着材料变得更加复杂，这也变得更具挑战性。“你绝对可以做很多，”Jensen表示，“但与其他任何事情一样，这与数据的质量有关。”

这在制药行业已经司空见惯的自动化，在材料研究中将变得越来越重要。“它不会取代专家，但你能够更快地完成任务。”