结合了机器学习，机器人技术和大数据的CASH展示了材料科学的巨大潜力。只有与这些技术共同发展，未来的研究人员才能从事更具创造性的研究，从而加快材料科学研究的速度。
过去许多科学突破的核心是发现新材料。但是，合成，测试和优化新材料的周期通常需要科学家花费大量时间进行艰苦的工作。因此，尚未发现许多具有奇特特性的潜在有用材料。但是，如果我们可以使用机器人技术和人工智能使整个新颖的材料开发过程自动化，并使其速度更快，该怎么办？
在 APL材料上发表的一项最新研究中，由日本东京工业大学（东京理工大学）的科学家在清水良太教授和Hisusugi教授的带领下，设计了一种战略，可以使完全自主的材料研究成为现实。他们的工作围绕“ CASH”（连接，自治，共享，高吞吐量）实验室设备的革命性思想展开。通过在材料实验室中使用CASH设置，研究人员只需确定要优化的材料属性并为系统提供必要的成分即可。然后，自动系统进行控制，并反复准备和测试新化合物，直到找到最佳化合物为止。使用机器学习算法，系统可以利用先前的知识来决定应如何更改合成条件，以在每个周期中达到所需的结果。
为了证明CASH在固态材料研究中是可行的策略，清水副教授及其团队创建了一个概念验证系统，该系统包括由多个模块围绕的机械手。他们的设备旨在通过调节沉积条件使二氧化钛薄膜的电阻最小化。因此，这些模块是溅射沉积设备和用于测量电阻的装置。机械臂根据需要将样本从一个模块传输到另一个模块，然后系统根据先前的数据自动预测下一次迭代的合成参数。对于预测，他们使用了贝叶斯优化算法。
令人惊讶的是，他们的CASH设置每天能够产生和测试约十二个样品，与科学家在常规实验室中可以手动实现的吞吐量相比，吞吐量提高了十倍。除了速度的显着提高外，CASH策略的主要优势之一是可以创建巨大的共享数据库，以描述材料特性如何根据合成条件而变化。在这方面，Hitosugi教授指出：“今天，物质及其特性的数据库仍然不完整。使用CASH方法，我们可以轻松地完成它们，然后发现隐藏的材料属性，从而导致发现新的物理定律，并通过统计分析获得见解。”
研究团队认为，CASH方法将带来材料科学的一场革命。由CASH系统快速而轻松地生成的数据库将被组合成大数据，科学家将使用高级算法对其进行处理，并提取出人类可理解的表达式。但是，正如Hitosugi教授指出的那样，仅机器学习和机器人技术就无法找到见识，也无法发现物理和化学领域的概念。“未来材料科学家的培训必须不断发展；他们将需要了解机器学习可以解决的问题并相应地解决问题。人类研究人员的力量在于创造概念或发现社会中的问题。将这些优势与机器学习和机器人技术相结合非常重要。”他说。
总体而言，这篇观点文章强调了自动化可以给材料科学带来的巨大好处。如果将重复性任务的重担从研究人员的肩膀上解放出来，他们将能够更加专注于揭示物质世界的秘密，以造福人类。
参考：APL Materials.DOI：“ Ryota Shimizu，Shigeru Kobayashi，Yuki Watanabe，Ando Yasunobu Ando Toto Sugigi的机器学习和机器人的自主材料合成”，2020年11月18日。
10.1063/5.0020370
