AutoSAS：面向高通量和自主实验的自动化小角散射拟合新范式——人在环外

人工智能驱动的自主实验的进步需要基于物理的建模和决策过程，这不仅是为了提高实验轨迹的准确性，也是为了通过允许透明的人机协作来增加信任。高质量的结构表征技术（例如，X射线、中子或静态光散射）是这种需求的一个特别相关的例子：它们提供了宝贵的信息，但在没有专家监督的情况下难以分析。在这里，我们介绍了AutoSAS，一种用于自动化数据分类的人在外环新框架。AutoSAS利用人类定义的候选模型、高通量组合拟合以及基于信息论的模型选择，来生成分类结果和定量结构描述符。我们将AutoSAS实现为一个开源软件包，旨在与自主配方实验室（AFL）一起使用，用于基于X射线和中子散射的多组分液体配方的优化。在第一个应用中，我们利用一组专家定义的候选模型来分类、细化结构并追踪模型可注射药物载体系统中的转变。我们评估了四种模型选择方法，并将它们与优化的机器学习分类器进行了基准测试，最佳方法是平衡拟合质量和模型复杂度的方法。AutoSAS不仅证实了先前实验中确定的临界胶束浓度边界，还发现了先前方法未识别的第二个结构转变边界。这些结果证明了AutoSAS通过提供稳健、可解释的模型选择来增强自主实验工作流程的潜力，为复杂配方中更可靠、更具洞察力的结构表征铺平了道路。