东京工业大学材料科学技术学院应用化学系、清水良太副教授、研究生小林雅治（博士生二年级）、一杉太郎教授与米乐m6官方网站高级研究员安藤康信合作机器学习（第 1 学期）与重复稳定运动的机器结合自主材料探索机器人系统（第 2 期）
在化工、材料、汽车、电子等行业，迫切需要提高新物质、新材料的研究速度。此外，鉴于当前的冠状病毒大流行，通过远程控制进行实验的重要性日益增加。这项研究的成果将加快研究速度并实现远程控制，目的是“改革研发方式。”
在传统的材料研究中，人类一一精心制造每一种目标物质并优化合成条件，这限制了研究速度。因此，在这项研究中，我们应用了机器学习和重复稳定运动的机器。具体来说，我们开发了一种材料探索机器人系统，该系统通过将优化合成条件的机器学习与全自动执行材料合成和电阻评估的机器相结合，执行全自动和自主的薄膜合成。结果，他们成功地在无需人工干预的情况下自主地最小化二氧化钛薄膜的电阻。这项研究是世界上第一个针对无机固体材料的系统。
通过上述方式，研究速度将显着提高，研究人员将从重复的简单任务中解放出来，能够从事更具创造性的研究活动。通过利用包括合成条件和各种物理性能值在内的材料大数据，有望改变研究方式，并为提高日本的产业竞争力做出贡献。
研究成果于11月18日（当地时间）发表在《美国物理学会杂志》上。
APL 材料(APL Materials)”将作为透视图在线发布（透视图 = 独特的新视图）。
在日本，少子化和人口老龄化，人们担心研究人员会短缺。此外，由于工作方式的改革，迫切需要在最短的时间内产出最多的研究成果。此外，在冠状病毒大流行期间，迫切需要建立一个可以远程操作的研究系统。在此背景下，“转变研发方式”成为刻不容缓的问题。
为了在材料研发中获得最大成果，需要优化许多条件。例如，就薄膜而言，在开发新材料时，需要精确控制成分、温度、气体气氛和合成速率等多个参数来合成所需的材料。在当前的材料发展中，合成设备日趋精密，成分日趋复杂，需要探索的合成条件范围也在迅速扩大。换句话说，必须在多维搜索空间中找到最佳条件。过去，研究人员和工程师自己一直负责优化这些合成条件，但这不再与不断扩大的搜索空间兼容。
因此，预计快速发展的结合了机器学习的机器人系统将被用来有效地搜索材料，即使在广阔的搜索空间中也是如此。通过将简单的重复性任务交给机器，研究人员有望从事高附加值的“创造性工作”，并加速物质和材料的研发。这种类型的研究风格已经在使用液体的生物系统和有机合成化学中得到越来越多的报道。但固体材料很难用原料和实验室设备来处理，目前尚未见报道。基于上述，迫切需要创建一种利用机器人系统的新型固体物质研究。
在这项研究中，我们开发了世界上第一个针对无机固体材料的全自动自主材料探索系统（自主材料探索机器人系统）（图1）。通过使用该机器人系统，无需人工干预即可生产具有最佳物理性能的薄膜。这就是研究自主进展的方式闭环（第 3 项）具体配置如下（图2）。
[重复稳定运行的机器]广泛应用于半导体行业的全自动样品传送臂以及在多种合成条件（基板温度、气体分压、输入功率、原材料成分等）下形成薄膜的薄膜沉积装置溅射薄膜沉积方法（第4项）)，由自动测量电阻的评估装置组成。
[机器学习算法]机器学习的一种贝叶斯优化（第 5 项），我们根据过去实验获得的“薄膜合成条件和电阻值的数据集”预测下一个最佳薄膜合成条件，并指示重复机进行合成。
使用此机器人系统二氧化钛薄膜（第 6 项）的电阻被最小化。溅射成膜时，Ar（氩）气和O2图3显示了通过调整（氧气）气体的混合比例来优化薄膜中氧含量的结果。在第14次测试中，获得了电阻最低的薄膜，为794Ω。特别是，在第 15 次测试之后，机器学习算法开始指示类似的氧分压，表明收敛。
使用该系统，可以在24小时内稳定地进行12次沉积，并在两天内完成优化（大约24次沉积）。如果一个人存电影24次，平均每天只能存两次，需要12天。考虑到节假日、休息、会议等，预计还需要8天左右，总共大约20天。因此，通过该系统，我们能够实现比传统方法高约 10 倍的实验效率。
该系统的使用对于多维空间内的优化变得更加重要。这次，我们专注于仅使用氧分压进行一维优化，但溅射成膜有很多参数，例如成膜温度、溅射压力、气体流量及其比例、靶材原材料的化学成分以及靶材的功率输入。这种多维条件优化不仅需要更多的试验次数，而且可以肯定的是，人类将不再能够准确估计最优条件。另一方面，机器人系统加速简单任务并在多个维度上优化它的能力是一个主要优势，并且随着维度数量的增加，该系统的实用性也会增加。
东京工业大学的 YouTube 频道提供了上述概念的摘要
“改变我们进行研究的方式，为不可预见的灾难做好准备”
https://wwwyoutubecom/watch?v=B1vIJdjx7gE&feature=youtube
而且此外
“人工智能、机器人和研究人员协作的数字实验室”
https://wwwyoutubecom/watch?v=VpcWW3ozarE&feature=youtube
图 1：本研究中开发的自主材料探索机器人系统。中心安装有自动传送臂，可实现样品在自动薄膜合成设备、自动物性评价设备等各种设备之间的传送。
图2：(a)该机器人系统的配置图。薄膜沉积和电阻测量设备通过自动样品传送臂连接。计算机管理样品运输、成膜和评估的每个步骤，以及贝叶斯优化的条件指令。 (b) 使用该系统的材料合成的概念图。例如，以最小化锂离子电导率为目标，可以使用贝叶斯优化指导合成条件、材料合成和电导率评估，然后以全自动和自主的方式（闭环）从添加结果的数据集中指导新的合成条件。运动的动画可以在原始论文的补充材料中看到。
图 3：使用该机器人系统最小化二氧化钛电阻的示例。红点是实际实验得到的数据，后面的数字表示实验进行的顺序。蓝线和粉色区域是贝叶斯优化预测的曲线和标准差； (a)：3次实验后，(b)：7次实验后，(c)：12次实验后，(d)：18次实验后。您可以在这篇原始论文的补充材料中查看动画。
这项研究是加速材料合成和彻底改变实验室的第一步，以便研究人员能够展示他们的创造力。未来，我们计划将这种研究方法不仅应用于薄膜，还应用于各种材料合成方法。这一转变的一个重要点是将整个实验室视为一个大系统。通过并行和控制独立的实验设备，并且如本研究所示，通过让每个实验设备协调工作，可以构建一个产生最大结果的系统。此外，这个系统化实验室产生的大量数据（大数据（第 7 期）)，材料信息学（第 8 学期）结合，将加速新科学原理的发现和新现象的预测。
文部科学省和经济产业省正在“强化材料创新能力筹备会议”上讨论这项研究的方向。Material DX 平台（第 9 期）''方向。世界瞬息万变，紧急改变我们的研发方式非常重要。
此外，这项研究与人力资源开发密切相关。迫切需要培养对化学、物质、材料有深刻理解，精通信息科学和机器人技术的人才。在文部科学省优秀研究生院计划下的东京工业大学，材料与信息卓越教育学院（第 10 学期）2019年，正在与24家公司推进合作教育。
通过这里提出的研发方法，研究人员将不再需要在实验中重复简单的任务，而能够增加创造性工作的时间。另外，通过分析大数据，你将能够获得新的“意识”和“灵感”。研究人员充分发挥创造力，怀着兴奋的心情投入研究。看着他们的背影，年轻人体会到了科研的乐趣。许多年轻人怀揣梦想，从事科学研究和技术开发，创造更美好的社会。这才是本研究的真正目的。
此成果得到了日本科学技术振兴机构 (JST) 战略创意研究促进项目 (CREST、PRESTO) 和未来社会创建项目（公共基础设施领域）以及日本学术振兴会 (JSPS) KAKENHI 的支持。
已出版的杂志：APL 材料
论文标题：通过机器学习和机器人技术进行自主材料合成
作者：清水亮太、小林茂、渡边佑树、安藤泰信和一杉太郎
DOI：101063/50020370