ARTICLE · 1231979
AI“科学家”上岗同步辐射线站:自己动脑子,把单晶衍射调到位
@
关注下方公众号
获取更多前沿期刊速递
同步辐射光源是材料、化学、物理研究的“超级显微镜”，但线站高度超订、极度依赖资深科学家值守：从开机检查、扫峰寻峰到故障排查，样样都是人的活。其中最烧脑也最基础的一步，是单晶样品的对准——在六自由度转角的“迷宫”里找到两个参考衍射点、解出晶体取向矩阵，专家常常要反复试错几个小时。现在，SLAC、斯坦福与UT Austin等机构的团队让大模型驱动的智能体（AI agent）接管了这件事：先在自建“虚拟束线”里练级，再原封不动搬上真实光束线，在一次试验中自主发现了约1.22°的意外电机偏移并动态补偿，成功锁定衍射峰。
这项工作没有发明新算法、也没有微调模型——它展示的是现成的推理型大模型，配上结构化工具接口（MCP协议）与实验状态管理，能否在真实大科学装置上闭环执行多步实验。答案是肯定的，而且几乎零适配迁移。
该成果以 “An agentic artificially intelligent X-ray scientist” 为题刊于 Nature Machine Intelligence，由斯坦福大学、SLAC国家加速器实验室、德克萨斯大学奥斯汀分校等机构合作完成。
工作要点
01为什么先啃“单晶对准”这块硬骨头
测取向矩阵是几乎所有单晶散射实验的第一步：要在6个电机转角里找到两个参考衍射点，还可能遇到隐藏的电机零点偏移、样品装歪、晶格参数不可靠、多晶粒衍射等意外——连人类专家都要靠试错。它是评估AI“观察—推理—执行”闭环能力的理想试金石。
02虚拟束线：不花一秒机时，先在模拟器里练级
团队用Python搭了一个复刻SSRL BL17-2线站六圆衍射仪的虚拟束线：计算每个探测像素的散射矢量、加入噪声/坏点/非各向同性峰形，连电机行程限位都照抄真实线站。模型可以直接在笔记本上跑——宝贵的束线时间一分不用，AI就能反复做模拟实验。
03MCP工具 + 引导提示：给AI一个“终端”，不写死流程
AI通过模型上下文协议（MCP）拿到 umv（移电机）、dscan（扫描）、pd exposure（拍衍射图）、or0/or1（记录参考反射）等经典SPEC式终端命令；提示词只给“任务骨架”，选哪个峰、何时进入下一阶段、扫描范围怎么定，全部由AI自己根据观测数据决定——这与脚本化自动化的本质区别就在这里。
04虚拟基准：两个大模型，10次全对上
以磁性外尔半金属Co₃Sn₂S₂为样品，故意用偏大的晶格参数和随机电机偏移加大难度：Claude Sonnet 4与Gemini 2.5 Flash各跑10次，对准全部成功，多数运行取向误差小于5°，过半试次晶格常数c的误差小于0.01 Å；在更大偏移、多晶粒、压缩思考预算等刁难场景下性能有降但大体仍能完成任务。
05真实线站：AI指挥，人只当“安全传令兵”
在SSRL BL17-2真实束线上换用Claude Opus 4，AI生成的每条命令由实验员原样敲进终端（纯为满足辐射安全，不做任何修改），其余读日志、看衍射图、分析扫描全部自主完成：找到(0,0,6)参考峰→发现约1.22°的η偏移并记下补偿→锁定(1,0,10)二次反射→无视强衍射环干扰完成对准，另用硅单晶在1.5°大偏移+极尖锐峰的苛刻条件下复现成功。
SECTION 01
难题：同步辐射线站，为什么离了专家转不动
贝叶斯实验设计、主动学习、强化学习控制器、机器人衍射仪对准……AI进实验室的案例越来越多，但大型散射设施（X射线、中子、电子）的日常运转仍高度依赖人的专业知识。困境是双向的：束线超订、机时宝贵，不可能让AI直接在真机上“从零试错”（辐射安全、电机撞限位都是红线）；而真实实验充满噪声、信息不全与意外，纯脚本自动化又写不过来。作者给出的路线是：造一个“虚拟束线”，让AI在模拟环境里准备好，再整体迁移到真机。
SECTION 02
系统：一台会思考的“X射线科学家”长什么样
FIG. 1｜AI经MCP工具读终端输出/衍射图/扫描结果，发命令执行；工作流=-setup→主参考反射→次参考反射
硬件是一台“4S+2D”六圆衍射仪：四个样品转角（μ、χ、φ、η）加两个探测器转角（δ、ν），六个自由度在电机限位与安全联锁下运动。AI科学家的“感官”是MCP工具：它可以查看终端输入输出历史、获取探测器图像（作为图像输入做定性判读）、拿到 Motor 扫描曲线（带拟合峰位）；“手脚”则是 wm、umv、dscan、or0、or1、setlat 等终端命令。图1(b)的工作流只是概念性脚手架——论文强调，从选参考反射到切换阶段的所有执行决策，都由AI根据中间观测自行做出，相当于给新人一本“仪器操作手册”，而不是替它编好每一步的脚本。
SECTION 03
模拟考：虚拟基准测试，两个模型都考过了
FIG. 2｜φ扫描寻峰→η/χ/δ逐维对中→验证成像；成功判据：取向误差≤15°且|Δc|≤0.01 Å
出题人是“恶意”的：给AI的晶格参数与模拟器实际使用的故意不一致（a=b=5.5 Å、c=13.2 Å vs 标称值），还埋入随机的η、φ电机偏移（高斯分布，标准差0.5°和1.5°）。Claude Sonnet 4与Gemini 2.5 Flash各10次独立运行，取向测定10/10全部成功，绝大多数运行对准误差低于5°；晶格常数c的绝对误差过半试次小于0.01 Å——虽还达不到晶体学实验的精度要求，但作者指出“先把峰找对”才是通用实验中最难的一步，后续精修反而是重复劳动。压力测试同样有料：加大偏移（3/5）、压缩思考预算到512 tokens（4/5）、降低采样温度（3/5）都会掉分，多晶粒衍射却能满分通过——推理深度是这套系统最不能砍的资源。
SECTION 04
实战（上）：真实线站上找第一个参考峰
FIG. 3｜umv到位→pd exposure成像→dscan η扫峰→χ/δ对中→二次优化→or0记录参考反射
真实部署在SSRL的BL17-2硬X射线束线（16.0 keV，波长0.7749 Å），样品换成与模拟实验相同的磁性外尔半金属Co₃Sn₂S₂，但结构文件改从晶体学开放数据库（COD）取——符合真实实验的惯例，也不影响工作流。换用更强的Claude Opus 4，为的是在宝贵的束线时间里把操作风险降到最低。AI的推理相当“老练”：注意到Co₃Sn₂S₂的c轴远长于a、b轴，便合理假设c轴大概率就是样品表面法线，直接选镜面反射(0,0,6)作为首个目标，把η、δ移到理论值后拍到弱峰，再用η扫描把强度拉满。
SECTION 05
实战（下）：意外偏移与衍射环，才是真考验
FIG. 4｜全程无面内取向信息：宽φ扫描定出φ≈−2.88°，无视强衍射环，锁定(1,0,10)峰
这一段是全文最精彩的“教科书时刻”。η扫描发现峰位在8.9845°而非理论的10.2002°——AI立刻判断存在约1.22°的意外电机偏移（可能源于铜样品台表面不平），在推理中明确指出并更新了电机位置；选第二个参考反射(1,0,10)时，它核对强度（最强峰的7.2%）与散射矢量不得指向样品表面以下的约束，还主动把之前发现的偏移补偿进新目标值（η=2.06°−1.22°=0.84°）——这是超越固定脚本的“短期实验记忆”。面内取向完全没有先验信息（真人实验中都罕见），它仍执行了足够宽的φ扫描，在探测器上出现强衍射环干扰的情况下锁定布拉格峰、收敛到良好对准。另一次硅单晶演示中，Δη=1.5°大偏移加极尖锐峰的苛刻组合也被顺利拿下。作者如实提醒：真机试验次数有限，这些能力还不能算统计意义上的结论。
结论
这篇论文的价值不在“造出新模型”，而在把现成的推理型大模型第一次完整搬上真实同步辐射束线并闭环跑通：虚拟束线解决了“AI不能拿真机练手”的死结，MCP工具接口与状态管理解决了“模型如何操作仪器”的接口问题，剩下的交还给模型自己的推理。它还勾勒了下一步：用“元智能体”帮每条束线自动生成专属引导提示、更结构化的输出接口、检索增强与数据驱动的实验规划。AI不止是自动化工具，而是能逐步成长为科研的助手乃至合作者。
边界说明：虚拟基准统计较充分，但真实束线演示为代表性个案（受机时限制，未系统重复），1.22°偏移的自适应不应被解读为已确立的普适能力；命令解析目前采用关键词匹配，作者自己也承认存在歧义风险；晶格参数精度（|Δc|<0.01 Å）尚不及晶体学实验要求。
本文链接
论文：Chen, Z., Petsch, A. N., Isaelski, A. J., et al. An agentic artificially intelligent X-ray scientist. Nature Machine Intelligence, 2026, 8: 1075–1086.
DOI：https://doi.org/10.1038/s42256-026-01261-5数据与代码：Zenodo 公开（DOI: 10.5281/zenodo.20017861 / 20017991）
科研云
线上直播/精品课程
资讯追踪/期刊速递/科研工具
