东京大学的研究人员及其合作者开发了一种数字实验室系统，该系统可完全自动化材料合成以及薄膜样品的结构和物理性能评估。借助该数字实验室（dLab），该团队可以自主合成薄膜样品并测量其材料性能。该系统展示了先进的自动化和自主材料合成技术，适用于数据和机器人驱动的材料科学。

当前研究发表在《数字发现》杂志上。

机器学习、机器人技术和数据被认为对新材料的发现至关重要。然而，尽管数据收集是必不可少的环节，但在实验过程中，这部分存在着瓶颈。

因此，研究人员构建了一个数字实验室，该实验室配备了用于固体材料研究的互联设备。他们使用机器人收集实验数据（例如合成过程），并测量物理特性（包括测量条件）。数字实验室由各种物理互连的模块化实验仪器组成。这使得研究人员能够完全自动化从材料合成到表面微观结构、X射线衍射图、拉曼光谱（一种利用散射光的化学分析技术）、电导率和光学透射率等各种测量的整个过程。

dLab由两个系统组成。一个系统集成了实验仪器，用于执行自动化材料合成和测量；另一个系统则负责数据收集和分析。每个测量仪器都以名为MaiML的XML格式数据存储形式输出数据，这些数据会被收集到云端数据库中。之后，这些数据将由软件进行分析，并在云端进行利用。

东京大学理学研究院的Taro Hitosugi教授表示：“我们证明了该系统能够自主合成研究人员指定的薄膜材料。”他的团队利用dLab演示了锂离子正极薄膜的自主合成，并通过X射线衍射图谱测量对其结构进行了评估。

近年来，机器学习和机器人技术为研究人员提供了进行自动化和自主实验的新途径。Taro Hitosugi教授表示，“如今，实验室不仅仅是放置实验仪器的地方，更是生产材料和数据的工厂，实验设备在这里像一个系统一样运行”。

通过将重复性的实验任务分配给机器学习控制的机器人系统，研究人员可以合成、测量和分析大量样本，从而生成海量数据。这种由数据和机器人驱动的科学，以及材料合成和测量仪器的标准化以及数据收集的自动化，将显著影响研究的开展方式。

Hitosugi说道，“我们目前的工作致力于解决加速材料科学研究的挑战。我们的方法增强了数据在研究中的应用。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动材料科学的发展，深化理论研究，并发现新的材料。”

然而，即使取得了最新进展，固体材料研究的模块化和标准化仍然处于起步阶段。造成这种情况的一个因素是缺乏对样品和样品容器的形状和尺寸的既定标准。固体材料具有各种物理形状，包括粉末和块状。研究人员需要标准化的样品形状和样品容器。此外，还缺乏统一的测量数据格式，使数据收集变得复杂。日本分析仪器制造商协会(JAIMA)与会员公司和经济产业省合作，建立了一种称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。这种标准化格式为数据收集和使用提供了统一的格式。

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，并更有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。合作研究员兼主要作者、东京科学研究所特聘副教授表示，“目标是实现研发环境的数字化，培养能够运用这些技术的研究人员，并促进数据共享和利用，这种环境将充分利用研究人员的创造力。”