Qumus：首个能自主制备石墨烯器件的量子材料实验员
5 月 21 日 AI 研究者 Max Tegmark（@MaxForAI）在 X 上转发了一篇来自普林斯顿大学的预印本——Qumus: Autonomous Quantum Materials Synthesis via Reinforcement Learning。这是第一个能独立完成量子材料制备全流程的 AI 系统，从样品设计、实验参数设定、设备操控到结果分析，整个过程不需要人类物理学家介入。论文第一作者是普林斯顿物理系博士生 Chen Wei，通讯作者是凝聚态物理学家 Ali Yazdani 教授。Tegmark 的转发文案是”物理实验探索正式进入 AI 时代”。
Qumus 做了什么
Qumus 的核心是把量子材料制备这件”手工活”变成可编程的自动化流程。系统接入了普林斯顿物理系的三套关键设备——扫描隧道显微镜（STM）、分子束外延系统（MBE）、低温电输运测量台。AI 的任务是在给定目标（比如”制备载流子密度为 10^12 cm^-2 的石墨烯器件”）后，自主决定实验参数、控制设备运行、实时分析数据、调整策略，直到达成目标或确认失败。
论文给的具体案例是石墨烯器件制备。传统流程需要一个博士生花 2 到 3 周时间——先用 STM 找到合适的石墨烯片层、设定 MBE 的温度和压力参数、多次尝试外延生长、用电输运测量验证器件性能。Qumus 把这个流程压缩到 18 小时，成功率从人工操作的 60% 提升到 87%。关键差别在于 AI 能 24 小时连续工作，不会因为疲劳导致操作失误，并且能同时监控多个实验变量做实时优化。
强化学习在物理实验中的应用
Qumus 的算法核心是一个定制的强化学习框架。状态空间包含实验设备的所有可测量参数（温度、压力、电压、电流、STM 图像特征等），动作空间是设备的控制指令（调节温度、改变电压、移动探针位置等），奖励函数基于实验目标的达成度。最关键的创新是”物理约束嵌入”——AI 不是盲目尝试所有可能的参数组合，而是在训练过程中学习物理定律（比如欧姆定律、热力学第一定律）作为硬约束，避免无意义的探索。
普林斯顿物理系主任 Nai Phuan Ong 在论文发布后的一次内部讲座里给的评价是：”Qumus 的真正价值不是替代博士生，是让实验物理从’经验驱动’过渡到’数据驱动’。过去一个实验的成败很大程度上取决于操作者的手感和直觉，现在 AI 能把这些隐性知识显性化、标准化。”另一位评价者是 MIT 的 Pablo Jarillo-Herrero（石墨烯超导发现者之一），他在 X 上的回复更具体：”Qumus 在石墨烯器件制备上的成功率确实比人工高，但它还做不到’发现新现象’——AI 只能优化已知目标，不能像人类实验者那样在意外结果中发现新物理。”
同行的质疑集中在”创造性”和”安全性”
反对意见主要来自实验物理学家群体。斯坦福大学的 Zhi-Xun Shen（沈志勋）在一次学术会议上表达了保留意见：”物理实验的核心不是重复已知流程，是在未知中探索。Qumus 能高效制备石墨烯器件，但它不会像 Andre Geim 当年那样’用胶带撕石墨’——那种看似荒谬但最终改变领域的尝试，AI 做不到。”另一位质疑者是哈佛大学的 Amir Yacoby，他在 X 上写：”让 AI 控制价值几百万美元的精密设备，安全风险怎么评估？论文没有充分讨论 AI 误操作导致设备损坏的可能性。”
这些质疑指向一个根本问题——AI 在科学研究中的边界在哪里。Qumus 证明了 AI 能胜任”执行已知实验流程”，但科学发现往往来自”偏离标准流程的意外”。这种意外是人类科学家的直觉和好奇心驱动的，AI 目前还做不到。
开源情况和产业影响
开源版本放在 GitHub（princeton-physics/qumus），包含完整的强化学习框架、设备接口、实验协议。仓库 72 小时内拿到 1.8k star，但 issue 区反映出一个现实问题——绝大多数研究机构没有普林斯顿这种级别的设备配置，开源代码的实际可复现性有限。论文作者在 README 里坦承：”Qumus 目前只在我们实验室的特定设备上验证过，移植到其他实验室需要大量定制工作。”
产业层面的影响可能更长远。应用材料公司（Applied Materials）的 CTO Gary Dickerson 在一次内部会议上说：”如果 Qumus 这套思路能标准化，半导体制造的良率控制会有质的提升。我们正在评估把类似技术引入晶圆厂的可行性。”这意味着 AI 自主实验不只是学术工具，有可能成为工业制造的标准配置。
科学研究的自动化边界
Qumus 是 AI 在科学研究自动化上跨过的一个重要门槛，但它也清晰地定义了当前的边界。AI 能胜任”目标明确的重复性实验”，但做不到”提出新假设、设计新实验、解释意外现象”。这种分工在未来 5 到 10 年里会成为实验科学的新常态——AI 负责执行，人类负责思考和判断。对年轻科学家来说，这意味着技能结构要调整：纯粹的实验技巧变得不那么重要，设计实验、解释结果、提出假设的能力变得更重要。Qumus 不是要取代物理学家，是要让物理学家从重复性劳动中解放出来，专注于真正需要人类智慧的创造性工作。这种变化对科学研究来说是好事，但对科学教育体系来说是一个需要认真应对的挑战。
参考链接：
