有机化合物合成的自动化对于加速此类化合物的开发至关重要。此外，通过将自主功能与自动化相结合，可以提高开发效率。
为了实现这一目标，三星电子（Samsung Electronics Co. Ltd）的科学家开发了一种自主合成机器人，被命名为「Synbot」，它利用人工智能 (AI) 和机器人技术的力量来建立最佳的合成配方。
给定目标分子，人工智能首先规划合成途径并定义反应条件。然后，它利用实验机器人的反馈迭代地完善这些计划，逐渐优化配方。通过成功确定三种有机化合物的合成配方，验证了系统性能，其转化率优于现有参考。
值得注意的是，这个自主系统是围绕间歇式反应器（Batch reactor）设计的，使得化学家在标准实验室环境中可以使用它并且有价值，从而简化研究工作。
该研究以《AI-driven robotic chemist for autonomous synthesis of organic molecules》为题，发表在《Science Advances》上。
机器人化学与间歇式反应器
功能有机材料的发现导致了各种电子设备的有机对应物的出现，例如发光二极管、互补金属氧化物半导体图像传感器和太阳能电池，而提高其性能的挑战仍然存在。
传统上，依赖于耗时且低效的试错方法，涉及分子设计、合成和表征过程的重复循环。因此，几十年来人们一直致力于创新这种方法。
人工智能技术的进步，加上大规模数据集的出现，催生了机器人化学家的概念。人工智能充当认知大脑，机器人充当物理身体，从而实现自主化学研究。
批式反应器（Batch Reactor）又名间歇反应器。此类型反应器的操作方式顾名思义就是以批次为单位，将反应原料分批次加入反应器中进行反应，待反应完成或是到到达预定时间，得到所需的转化率后，停止反应，同时将所有产品取出，并在下一批次操作前，视情况将反应器的内部进行清理，即完成这一批次的操作流程。
尽管间歇式合成占地面积较大且成本较高，但由于其作为大规模生产和开发中的标准方案的地位，对于化学家来说仍然实用。虽然已经有一些生物应用实例，但通过集成各种硬件和软件组件构建间歇式自动化系统非常复杂，导致研究数量有限且能力有限。
合成机器人：AI 驱动的机器人化学家
为了追求一个多功能、智能的分子合成平台，该研究引入了人工智能驱动的机器人化学家，能够自主执行从合成规划到在间歇式反应器中进行的实验等任务，充分利用人工智能和机器人的协作潜力。
图 1：人工智能驱动的机器人化学家 (Synbot)。（来源：论文）
Synbot 包含三个不同的层：人工智能软件 (S/W) 层、机器人 S/W 层和机器人层。其主要目标是合成目标物质，同时积极寻求最佳条件。
AI S/W层引领综合规划过程，配备逆合成模块、实验设计（DoE）和优化模块，并使用决策模块引导实验方向。该层采用 blackboard 架构，使各个模块能够访问共享数据库，方便沟通和协作解决问题。
一旦合成配方从 AI S/W 层传递过来，机器人 S/W 层就会负责，通过配方生成模块和翻译模块将其转换为机器人的可操作命令。随后，机器人层在在线调度模块的监督下运行。
机器人层将合成实验室的各种功能模块化，并系统地执行计划的配方，不断更新数据库，直到达到预定义的目标。
Synbot 包含基本模块，包括储藏室（pantry）、分配、反应、样品制备、分析和传输机器人模块，总体占地面积为 9.35 m x 6.65 m。人工智能和机器人技术的全面集成代表着朝着实现多功能、自主的分子智能合成平台迈出了重要一步。
成功确定三种有机化合物的合成配方
为了验证合成机器人的可重复性，研究人员对三种典型的芳香偶联反应（Suzuki 偶联、Buchwald 反应和 Ullmann反应）进行了实验再现性研究。
图示：验证 Synbot 再现性的实验。（来源：论文）
使用文献报道过的三个分子：4-(2,3-二甲氧基苯基)-1H-吡咯并[2,3-b]吡啶（4-(2,3-dimethoxyphenyl)-1H-pyrrolo[2,3-b]pyridine），M1；N-(4-甲氧基苯基)-N-苯基嘧啶-5-胺（N-(4-methoxyphenyl)
-N-phenylpyrimidin-5-amine），M2；和N,N-二苯基喹喔啉-2-胺（N,N-diphenylquinoxalin-2-amine），M3，研究了 Synbot 自主合成的性能，据报道其分离产率范围为 30％ 至 50％。事先，有关目标分子的信息被排除在人工智能训练数据集中。在 Synbot 上重现文献中报道的反应条件以获得参考转化率。目标产物的自主合成结果如下。
图示：M1 的自主合成。（来源：论文）
图示：M2 的自主合成。（来源：论文）
图示：M3 的自主合成。（来源：论文）
MPNN 模型以相对简单、数据驱动的方式有效地确定了成熟的铃木偶联反应 (M1) 的解决方案。相反，对于 M2 和 M3，MPNN 在单独识别有利条件方面面临挑战，但通过与 BO 合作成功找到了解决方案。所有情况下都实现了目标，整个搜索空间中的试验不到 1%，这突显了 HDO 模型在化学研究中与依赖人类专业知识和知识的传统方法相比的效率。Synbot 不仅利用其高通量实验能力，还利用人工智能模型指导的实时配方设计策略。这证明了 Synbot 在加速化学过程的发现和优化方面的有效性。
根据总反应时间，Synbot 可以在 24 小时内平均进行 12 个反应，包括分配和分析。假设研究人员每天可以进行两次此类实验，那么与人类同行相比，Synbot 的效率至少提高了六倍。当考虑自动合成规划和优化时，这种效率会进一步放大。
现在，Synbot 正在进行升级，以变成一个为多步骤合成平台，包括后处理和纯化步骤，旨在成为一个多功能的通用平台。