人工智能进驻量子材料实验室，成功研制石墨烯晶体管

一位名为Qumus的新型具身人工智能实验者突破了数字推理的局限，利用机器人技术、计算机视觉和多智能体规划，在物理世界中成功制备石墨烯、从实验室失误中恢复，并组装出原子级薄的器件。

一款名为Qumus的新型具身人工智能实验者突破了数字推理的局限，利用机器人技术、计算机视觉和多智能体规划，在物理世界中合成石墨烯、从实验室错误中恢复，并组装原子级薄的器件。

研究人员推出了一款名为Qumus的自主、具身化人工智能（AI）实验系统，专门用于量子材料研究。这项发表在arXiv预印本服务器上的研究，将生成式AI与机器人技术相结合，能够独立完成假设生成、实验执行、错误纠正和数据分析。

Qumus: Realization of An Embodied AI Quantum Material Experimentalist

https://doi.org/10.48550/arXiv.2605.18407

据报道，这一创新的AI系统实现了首例由AI驱动的复杂原子级薄纳米器件制备，其中包括通过范德华力堆叠制成的石墨烯场效应晶体管，且全程无需人工干预。借助多智能体AI架构，Qumus自主制备了石墨烯薄片、制造了纳米器件并完成了实验，展示了一个用于加速量子材料发现的自我改进框架。

量子材料研发面临的挑战

二维（2D）量子材料领域始于2004年石墨烯的机械剥离，由此催生了一系列具有独特电子和光学性质的原子级薄材料。多层晶体可被分离成单原子层，并组装成具有新型量子行为的定制异质结构。这些结构对先进半导体和光电子技术具有重要应用价值。

然而，复杂的实验室工作流程限制了其实际应用的发展。传统工艺依赖于人工合成、肉眼识别片层以及对微观结构的精确操作。这些流程耗时费力、依赖人工，且往往难以实现可重复性。此外，许多先进的量子材料对空气暴露敏感，使得反复的人工操作难以实施。

多智能体框架

为了模拟人类研究团队的协作结构，Qumus 采用了一个由中央协调器控制的分层多智能体大型语言模型（LLM）网络。主智能体负责解读用户指令、分配任务并管理目标。

专门的子代理支持不同的功能。项目经理代理通过分析以往的实验和文献来建议制备方法。实验室经理代理利用计算机视觉监控实验室库存。同样，设备专家代理负责设计设备布局，而处理代理则执行实验室操作。

处理代理通过三个层级运作。原子工作流执行舞台移动、相机对焦和温度调节等操作。分子工作流将这些操作组合成更大的任务，例如芯片剥离。与此同时，组装工作流将多个步骤整合为完整的制造流程。

该机器人平台包含一个胶带剥离系统，该系统利用自动化的 Scotch 胶带处理技术，将晶体层转移到硅芯片上。两条机械臂负责在存储区与温控真空台之间搬运材料。

该工作站配备了一台光学显微镜，具备自动变焦和电动对焦功能，可在层间转移过程中实现亚微米级对准。计算机视觉系统支持实验室监测和显微分析。顶置摄像头采用 YOLOv8（You Only Look Once 第 8 版）实例分割算法，用于追踪工具和带有二维码的材料载体。基于规则的视觉系统分析 RGB 显微镜图像，进行边缘检测，并通过颜色距离测量估算片层厚度。

实验能力

为评估其作为独立实验系统的运行能力，Qumus被赋予了分离面积大于200 μm²的石墨烯薄片的任务。从空实验数据库开始，该AI探索了一个包含载物台温度、接触时间、按摩循环次数和胶带剥离速度的四维（4D）参数空间。

在持续超过4小时的实验过程中，该机器人系统分析了先前结果并迭代调整参数。经过五轮优化循环后，成功分离出一片面积为245 μm²的石墨烯薄片。

该平台在遭遇意外中断时展现出了强大的韧性。在一项涉及六方氮化硼（hBN）的实验中，一名研究人员在加工过程中移除了硅芯片，却未向系统发出通知。该平台检测到基板缺失，随即生成恢复策略，并在替换芯片上启动了重新剥离操作。当语言模型错误地将一片hBN薄片标记为石墨烯时，Qumus识别到系统中未记录任何hBN薄片，并调整了计划以分离出正确的材料。

此外，该系统还成功制备了一个完整的石墨烯场效应晶体管。器件专家代理（Device Expert Agent）为一个带有预制金属触点的基板选定了合适的石墨烯和hBN薄片。随后，加工代理（Processing Agent）执行了一项耗时90分钟的干法转移工艺，该过程包含30个物理操作和18个决策阶段。通过实时图像分析和牛顿环检测，机器人成功识别了接触点，并在电极上方组装了对齐的hBN-石墨烯异质结构。

对先进器件制造的启示

二维材料加工的自动化为高效制造先进电子器件开辟了新的可能性。通过减少人工操作，该系统能够加速范德华异质结构的筛选与优化。将这些机器人平台集成到惰性气体环境中，可支持对高度敏感于空气的材料进行加工。

该平台还为数字材料数据库奠定了基础。每次实验都会记录元数据，将光学测量结果、剥离参数、取向条件、器件记录和制备结果相互关联。这些数据集可支持机器学习（ML）模型自动优化制备流程，从而提高可重复性，并减少对人工试错的依赖。

结论：自主科学研究

总而言之，Qumus 解决了纳米制造和量子材料科学领域的关键挑战。通过将二维材料制备从手动流程转变为自动化工作流，该方法可显著缩短从理论概念到功能性量子器件的研发周期。该系统能够协调多个执行单元，优化制备流程，并在约 90 分钟内构建出石墨烯场效应晶体管。

尽管当前的性能受到机械运动速度、光学对焦和热平衡等硬件因素的限制，但研究人员指出，其底层的多智能体框架具有极高的可扩展性。未来的研究应侧重于开发更快的机器人系统并改进热控制。通过共享数字网络将多个机器人实验室连接起来，有望促进全球合作，并加速量子电子学和量子材料的研发。不过，作者将这些结果视为初步验证，仍需针对更多材料和器件进行更广泛的验证。