“自组装”这个词听起来有点玄乎，但它其实是材料科学里一个相当迷人的过程：分子自己会排兵布阵，形成各种规整的图案。以往，我们能得到的结构无非是圆柱、薄片、球体这些老面孔。但现在，情况有了点戏剧性的变化——美国能源部布鲁克海文国家实验室的科学家们，把人工智能推到了前台，让它“自主”完成了新材料的发现。结果呢？三种全新的纳米结构就这么被挖了出来，其中还包括一个史无前例的纳米级“梯子”。

这项成果已经发表在《Science Advances》上，标题挺长，叫《Autonomous discovery of emergent morphologies in directed self-assembly of block copolymer blends》。

自组装技术一直是微电子和计算机硬件进步的驱动力。传统方法是靠模板引导，让材料分子乖乖排成想要的电路图案。但过去能获得的图案类型有限。于是，布鲁克海文功能纳米材料中心（CFN）的团队想了个新招：把两种不同的自组装材料混在一起，再配合化学光栅，看看会有什么新花样。结果真让他们撞上了——那个纳米级梯子，轨道和横档清清楚楚，以前根本没人想过能做出这种结构。

不过，混合材料也带来了新问题：需要调控的参数一下子多了起来。参数空间太大，靠人力一个一个试，那得试到猴年马月？为了加速探索，CFN的科学家搬来了新一代的AI能力——自主实验。这套自主框架的核心算法叫gpCAM，由劳伦斯伯克利国家实验室的能源研究应用高等数学中心（CAMERA）开发。简单来说，它自己能定义实验步骤、执行测量、分析数据，然后决定下一步测哪个点，全程不需要人插手。

具体怎么干的呢？研究人员先做了一个“参数梯度样本”——简单讲，就是把所有感兴趣的参数（比如材料比例、温度等）在一个样本上连续变化，这样一张样本就涵盖了无数种可能的材料结构。然后他们把这个样本送到国家同步翻跟斗光源II（NSLS-II）的软物质界面（SMI）光束线上，用微米级精度的X射线束扫描。AI算法在后台实时分析散射数据，自主构建材料结构的模型，并动态选择下一个测量点。每次测量后模型自动更新，越测越准。

整个过程只花了大约六个小时。算法就锁定了样本中三个最值得细看的关键区域。随后研究人员用电子显微镜对那些区域进行了高分辨率成像，结果揭开了三种新颖的纳米图案：交替线结构、倾斜结构，以及那个明星——纳米级阶梯结构。如果按传统的老办法——合成一个样品、测一次、分析、再合成下一个——估计得拖上一个月才能有同样发现。

当然，速度和效率只是冰山一角。正如研究团队所说，自主方法不仅仅是“快”，它还打通了一条之前走不通的路：你可以去探索那些多参数耦合、极其复杂的科学问题。比如薄膜厚度、材料比例、温度……这些因素之间到底怎么相互影响？以前可能连想都不敢想，现在可以交给AI去全局搜索。

下一步，这个团队计划将自主实验方法推广到更多材料体系，包括清洁能源和微电子等国家优先领域。而且，这套框架是开源的、可适配的，任何访问CFN和NSLS-II的用户都可以用它来加速自己的材料研究。可以期待，未来几年会有更多令人惊喜的发现从这种“人机协作”的模式中冒出来。