软物质自动驾驶实验室的智能体 AI：分类、基准与开放挑战
人工智能
2026-01-27 v1
摘要
自动驾驶实验室（SDL）闭环了实验设计、自动执行和数据驱动决策，并在昂贵动作、噪声和延迟反馈、严格的可行性与安全约束以及非平稳性下，为智能体 AI 提供了一个极具挑战性的测试平台。本综述以软物质作为代表性背景，但重点关注真实实验室中出现的 AI 问题。我们将 SDL 的自主性构建为一个具有明确观察、动作、成本和约束的智能体-环境交互问题，并使用这一表述将常见的 SDL 流程与既定的 AI 原则联系起来。我们回顾了实现闭环实验的主要方法族，包括用于样本高效实验选择的贝叶斯优化和主动学习，用于长时程协议优化的规划和强化学习，以及协调异构仪器和软件的工具使用智能体。我们强调支持调试、可复现性和安全运行的可验证且具备溯源感知的策略。然后，我们提出了一种以能力为导向的分类法，根据决策时域、不确定性建模、动作参数化、约束处理、故障恢复和人类参与度来组织系统。为了实现有意义的比较，我们综合了基准任务模板和评估指标，优先考虑成本感知性能、对漂移的鲁棒性、约束违规行为和可复现性。最后，我们总结了已部署 SDL 的经验，并概述了多模态表示、校准不确定性、安全探索和共享基准基础设施方面的开放挑战。
引用
@article{arxiv.2601.17920,
title = {Agentic AI for Self-Driving Laboratories in Soft Matter: Taxonomy, Benchmarks,and Open Challenges},
author = {Xuanzhou Chen and Audrey Wang and Stanley Yin and Hanyang Jiang and Dong Zhang},
journal= {arXiv preprint arXiv:2601.17920},
year = {2026}
}