韩国KRICT推出HILO框架：对话式AI赋能自动驾驶实验室，大幅缩短新材料研发周期
发布时间： 2026年10月21日
来源： Phys.org / 国家科学技术研究委员会
韩国化学技术研究院（KRICT）的研究团队近日开发出一项名为“人在循环优化”（Human-in-the-loop Optimization, HILO）的人工智能框架。该技术旨在解决自动驾驶实验室（Self-Driving Labs, SDL）在实验规划中的冷启动问题，通过将研究人员以自然语言表达的经验知识转化为结构化数据，显著加速新材料和催化剂的研发进程。
突破传统SDL的“冷启动”瓶颈
自动驾驶实验室通过从先前结果中学习，能够自主确定最佳实验条件。然而，传统的SDL系统通常面临“冷启动”挑战，即人工智能需要通过重复实验重新发现即使是成熟的化学知识。这在催化剂研究中尤为昂贵，因为单次合成和分析可能需要半天以上的时间。
由安光诺博士（Dr. Gwang-Noh Ahn）领导的KRICT团队针对这一痛点，开发了HILO框架。该框架集成了大型语言模型（LLM）与贝叶斯优化（BO）算法。研究人员只需通过自然语言提供指导，LLM即可将其转化为结构化的先验信息和约束条件，使AI无需复杂的编程或数学建模即可纳入专家知识。
引入AWCD机制防止错误引导
为了确保专家知识的可靠性，团队引入了“自适应权重可信度检测”（Adaptive Weight Confidence Detection, AWCD）机制。该机制持续监测先验知识与实际实验数据之间的一致性。当积累的证据表明专家指导存在误导性时，AWCD会自动禁用不可靠的先验信息，恢复至纯数据驱动的优化模式。
在涉及故意植入不正确指导的测试中，传统方法未能确定最佳条件，而新的HILO框架成功识别了误导性信息并恢复了优化性能。
实验效率提升相当于节省20天探索时间
基于真实数据的虚拟实验环境验证显示，该技术带来了实质性的效率改进：
- Ugi多组分反应： 实现目标性能所需的搜索次数从约30次减少到不到10次。
- 导电性P3HT-CNT复合材料： 搜索量从约20次下降到3至5次。
研究团队指出，这种效率提升的效果相当于提前拥有约40个实验数据点。在每次运行耗时半天或更长时间的催化剂实验中，这意味着可能节省约20天的初始探索时间。
交互式Co-Scientist接口发布
除了核心算法，该团队还开发并发布了一个名为“Co-Scientist”的交互式接口。该接口允许研究人员在优化过程中通过自然语言对话实时调整实验方向。目前，研究计划下一步将在物理自动驾驶实验室设备上进行验证。
KRICT的安光诺博士表示：“这项技术既可以作为科学家与人工智能合作的研究伙伴，也可以作为自动驾驶实验室的核心软件平台。我们预计它将大大减少研发时间和成本。”
相关研究成果已发表在《化学信息与建模杂志》（Journal of Chemical Information and Modeling）上，论文题为《使用化学实验的语言引导先验进行自适应的人在循环优化》（Language-guided priors for adaptive human-in-the-loop optimization in chemical experiments），DOI: 10.1021/acs.jcim.6c00976。
