Текущее исследование опубликовано в журнале Digital Discovery.

Машинное обучение, робототехника и обработка данных считаются жизненно важными для открытия новых материалов. Однако, хотя сбор данных является важным компонентом, в этой части экспериментального процесса существует узкое место.

Итак, исследователи построили цифровую лабораторию с подключенными аппаратами для исследования твердых материалов. Они использовали роботов для сбора экспериментальных данных, таких как процессы синтеза, и измерения физических свойств, включая условия измерения. Их лаборатория dLab состоит из множества модульных экспериментальных приборов, которые физически соединены между собой. Это позволяет исследователям полностью автоматизировать процессы от синтеза материала до широкого спектра измерений микроструктуры поверхности, дифрактограмм рентгеновских лучей, спектров комбинационного рассеяния (метод химического анализа с использованием рассеянного света), электропроводности и оптического пропускания.

dLab состоит из двух систем. Одна система объединяет экспериментальные приборы для выполнения автоматизированного синтеза материалов и измерений, в то время как другая занимается сбором и анализом данных. Каждый измерительный прибор предоставляет данные, выводимые в хранилище данных формата XML под названием MaiML, которое собирается в облачной базе данных. Затем данные анализируются программным обеспечением и используются в облаке.

"Мы продемонстрировали, что система может автономно синтезировать тонкопленочный материал, указанный исследователем", - сказал профессор Таро Хитосуги из Высшей научной школы Токийского университета. Используя dLab, его команда продемонстрировала автономный синтез тонких пленок литий-ионного положительного электрода и оценку их структуры с помощью измерений дифракционной картины рентгеновских лучей.

В последние годы машинное обучение и робототехника предоставили исследователям новые способы проведения автоматических и автономных экспериментов. "Сегодня лаборатории - это не просто места для размещения экспериментальных приборов, а скорее фабрики по производству материалов и данных, где экспериментальное оборудование работает как единая система", - сказал Хитосуги.

Назначая повторяющиеся экспериментальные задачи роботизированным системам, управляемым с помощью машинного обучения, исследователи могут синтезировать, измерять и анализировать большое количество образцов, тем самым генерируя обширные данные. Эта наука, основанная на данных и роботах, наряду со стандартизацией синтеза материалов и измерительных приборов, а также автоматизацией сбора данных существенно повлияет на то, как проводятся исследования.

"Наша текущая работа направлена на решение задач ускорения исследований в области материаловедения", - сказал Хитосуги. "Наш подход расширяет возможности использования данных в исследованиях. Мы стремимся создать исследовательскую среду, в которой исследователи могли бы сосредоточиться на творчестве. Внедрение машинного обучения и робототехники будет способствовать дальнейшему развитию материаловедения, углублению теории и поиску новых материалов".

Однако, даже несмотря на недавний прогресс, модульность и стандартизация в исследованиях твердых материалов все еще находятся в зачаточном состоянии. Одним из факторов, способствующих этому, является отсутствие установленных стандартов в отношении форм и размеров образцов и держателей для образцов. Твердые материалы доступны в различных физических формах, включая порошкообразные и объемные формы. Исследователям нужны стандартизированные формы образцов и держатели для них. Также отсутствует единый формат для данных измерений, что усложняет сбор данных. Японская ассоциация производителей аналитических приборов (JAIMA) в сотрудничестве с компаниями-членами и Министерством экономики, торговли и промышленности разработала формат данных под названием Measurement Analysis Instruments Markup Language (MaiML). MaiML был зарегистрирован в качестве японского промышленного стандарта в 2024 году. Этот стандартизированный формат обеспечивает единый формат для сбора и использования данных.

Заглядывая в будущее, команда надеется улучшить систему за счет стандартизации программного обеспечения для оркестровки и планирования. Это позволило бы исследователям расширить исследования материалов и более эффективно управлять задачами для нескольких образцов. Их цель - использовать dLab для ускорения разработки материалов. "Мы стремимся оцифровать среду исследований и разработок, стимулировать исследователей, которые могут использовать эти технологии, и облегчить обмен данными и их использование", - сказал сотрудничающий исследователь и ведущий автор Казунори Нисио, специально назначенный доцент Токийского института науки. "Эта среда позволит в полной мере использовать творческий потенциал исследователей".