研究人员开发了一种数字实验室（dLab）系统，完全自动化薄膜样品的材料合成和结构、物理性质评估。通过dLab，团队可以自主合成薄膜样品并测量其材料性质。该团队的dLab系统展示了数据和机器人驱动的材料科学中先进的自动和自主材料合成。
东京大学及其合作伙伴的研究人员开发了一种数字实验室系统，完全自动化薄膜样品的材料合成以及结构和物理性质评估。通过数字实验室或dLab，团队可以自主合成薄膜样品并测量其材料性质。该系统展示了数据和机器人驱动的材料科学中先进的自动和自主材料合成。
当前的研究发表在期刊Digital Discovery上。
机器学习、机器人技术和数据被认为是新材料发现的重要因素。然而，尽管数据收集是一个重要组成部分，但在实验过程中存在瓶颈。
因此，研究人员建立了一个数字实验室，连接各类设备以进行固体材料研究。他们使用机器人收集实验数据，如合成过程，并测量物理属性，包括测量条件。他们的dLab由多种物理相互连接的模块化实验仪器组成。这使研究人员能够完全自动化从材料合成到广泛的表面微结构、X射线衍射图案、拉曼光谱（利用散射光进行的化学分析技术）、电导率和光透过率等测量过程。
dLab由两个系统组成。一个系统整合实验仪器以执行自动化材料合成和测量，而另一个系统则处理数据收集和分析。每个测量仪器提供以XML格式输出的数据，称为MaiML，数据存储在基于云的数据库中。然后，数据通过软件进行分析，并利用于云端。
“我们证明该系统可以自主合成研究人员指定的薄膜材料，”东京大学理学院的日杉太郎教授表示。利用dLab，他的团队展示了锂离子正电极薄膜的自主合成及其通过X射线衍射图案测量的结构评估。
近年来，机器学习和机器人技术为研究人员提供了新的方法以进行自动和自主实验。“如今，实验室不仅仅是实验仪器的存放场所，而是生产材料和数据的工厂，实验设备作为一个系统运行，”日杉表示。
通过将重复的实验任务分配给由机器学习控制的机器人系统，研究人员能够合成、测量和分析大量样品，从而生成大量数据。这种以数据和机器人驱动的科学，连同材料合成和测量仪器的标准化，以及数据收集的自动化，将显著影响研究的进行。
“我们当前的工作解决了加速材料科学研究的挑战，”日杉说。“我们的方法增强了研究中数据的使用。我们的目标是创造一个让研究人员能够专注于创造力的研究环境。引入机器学习和机器人技术将进一步推进材料科学，深入理论并发现新材料。”
然而，尽管近期取得了一些进展，固体材料研究中的模块化和标准化仍然处于初级阶段。 contributing factors包括样品和样品支架的形状和尺寸缺乏已建立的标准。固体材料以多种物理形状存在，包括粉末和块状形式。研究人员需要标准化的样品形状和样品支架。测量数据的统一格式也缺乏，使得数据收集复杂。日本分析仪器制造商协会（JAIMA）与会员公司及经济产业省合作，建立了一种名为测量分析仪器标记语言（MaiML）的数据格式。MaiML于2024年注册为日本工业标准。该标准化格式为数据收集和使用提供了统一格式。
展望未来，该团队希望通过标准化编排软件和调度来改进系统。这将使研究人员能够扩展材料探索，并更高效地管理多个样品的任务。他们的目标是利用dLab加速材料开发。“我们的目标是数字化研究和开发环境，培养能够利用这些技术的研究人员，促进数据共享和利用，”合作研究人员和首席作者西尾和纪表示，他是东京科学研究所的特别任命副教授。“这一环境将充分发挥研究人员的创造力。”
