AutoSciLab：面向可解释科学发现的自驱动实验室

机器人控制和传感技术的进步推动了能够进行高通量实验的自动化科学实验室的兴起。然而，自动化科学实验室目前在高效设计和解释高维空间实验方面的能力受限于人类直觉，从而制约了科学发现。我们提出了 AutoSciLab，这是一个用于驱动自主科学实验的机器学习框架，构成了一个旨在用于高维空间科学发现的替代型研究者。AutoSciLab 遵循科学方法自主执行四个步骤： 使用变分自编码器生成高维实验 ($x \in R^D$)； 通过主动学习形成假设来选择最优实验； 使用“方向性自编码器”提炼实验结果，以发现相关的低维潜变量 ($z \in R^d$，其中 $d \ll D$)； 使用神经网络方程学习器，学习一个连接所发现的潜变量与感兴趣量 ($y = f(z)$) 的人类可解释方程。我们通过重新发现 抛体运动原理和 Ising 模型自旋态内的相变(NP-hard 问题)来验证 AutoSciLab 的泛化能力。将我们的框架应用于开放式的纳米光子学挑战，AutoSciLab 发现了一种引导非相干光发射的全新基础方法，超越了当前的最先进水平(Iyer et al. 2023b, 2020)。