课题组致力于发展材料研发的新模式，通过开发高度自动化的实验工具和先进的数据分析与预测算法，将传统的材料研发流程转化为数据驱动的过程。研究内容主要包括自动化实验工具即软硬件的开发；新能源材料；有机转化无机等。

研究领域：

– 科研自动化与智能算法。

– 微通道反应器及微流控系统。

– 聚合物前驱体制备陶瓷。

– 碳纤维及陶瓷纤维增强复合材料。

– 超级电容器和离子电池材料。

– 金属空气电池和燃料电池的电催化材料。

数据驱动的材料研究方式：

    科学研究是一个典型的数据处理过程：科研人员输入参数（成分，温度，时间等），得到结果（结构，性质，性能等）。只有极少数科研是把实物作为科研的主要产出。我们可以把科研中“做实验”的部分当做一个黑盒子。如果这个黑盒子能够根据输入参数得出可靠的结果，那么科研人员只需要参与实验设计和结果分析，而不需要关心实验是如何完成的，从而把时间和精力用于更深刻的思考。

    当科研过程高度数据化之后，我们就可以利用计算机领域处理数据的成熟方法，对数据进行方便的分析、保存、复制、传输。研究者可以在北京将参数通过网络输入到深圳的黑盒子，再通过网络接收结果数据。进一步的，利用数据处理算法，可以更有效的发现数据的内在联系，实现对多维参数的同时优化，而不受限于人类理解力一次仅能掌握的2-3个参数。

    通常的高通量实验方法一般一次性合成一批参数不同的样品，然后这批样品送去表征或者测试，从中筛选出最优的样品。为了提高效率，高通量实验中一批样品的数目一般在100以上，多的超过1000。高通量实验的筛选通常是一次性的，可能从100、1000个样品中只选出其中的几个。高通量实验一批次样品的结果可以用于下一批样品的优化。我们的方法更类似于传统做研究的流程。先进行几个实验，然后算法再根据这几个实验的结果推荐下一个实验的参数。每完成一次实验，算法就根据所有已产生的结果进行分析和推荐。在一组实验中，随着实验次数逐渐增多，算法可以利用的结果数据就越多，推荐的参数就越接近最优化。与传统人工研究不同的是，这一流程在这里是全自动化完成的。研究者只需要指定要研究哪些参数，结果要优化到什么程度（可以指定总的实验次数，或者优化到最优结果与次优结果之间的差别足够小）。这样可以大大加速优化的进程，减少盲目实验的数目，降低研发成本。

    当然，这种研究方法还有附带的优势：

1. 机器可以不知疲倦的7天24小时进行实验和优化，在实现最快进度的同时减少了研究人员的体力劳动强度。

2. 机器实验更加精确，不会受身体状况和情绪影响。

3. 机器实验所有操作数据都记录在案，可追溯。

4. 机器实验数据化之后可以标准化，实现高度可重复性。

5. 机器算法对数据的分析不会带有主观偏见，更加客观。

    实现这一模式的关键在于：这个黑盒子能够根据输入参数得出可靠的结果。这就是我们的正在做的事情之一：包括硬件和软件。

自动配液模块