首次实现「自驱动」，材料发现效率提升6倍，贝叶斯优化+CALPHAD计算的新方法

本文介绍了马里兰大学研究人员开发的自主材料搜索引擎（AMASE），该系统通过实验与计算预测的自主驱动连续循环交互来探索材料。研究背景涉及主动学习驱动的自主实验，利用贝叶斯优化动态引导实验序列，加速科学发现。研究目的是通过实时实验和CALPHAD模型的迭代交互，快速绘制薄膜共晶相图。实验结果表明，AMASE系统仅需对整个成分-温度相空间的一小部分进行采样，就能得到完整的薄膜相图，实验次数减少了六倍。结论指出，AMASE工作流程为材料科学及其他研究领域的自主探索提供了新的可能性，展示了自主科学的实用性和影响力。