Future materials-science research will involve autonomous synthesis and characterization, requiring an approach that combines machine learning, robotics, and big data. In this paper, we highlight our recent experiments in autonomous synthesis and resistance minimization of Nb-doped TiO2 thin films. Combining Bayesian optimization with robotics, these experiments illustrate how the required speed and volume of future big-data collection in materials science will be achieved and demonstrate the tremendous potential of this combined approach. We briefly discuss the outlook and significance of these results and advances.

中文翻译：

---

通过机器学习和机器人技术自主合成材料

未来的材料科学研究将涉及自主合成和表征，需要一种结合机器学习、机器人和大数据的方法。在本文中，我们重点介绍了我们最近在 Nb 掺杂的 TiO2 薄膜的自主合成和电阻最小化方面的实验。将贝叶斯优化与机器人技术相结合，这些实验说明了如何实现材料科学中未来大数据收集所需的速度和数量，并展示了这种组合方法的巨大潜力。我们简要讨论了这些结果和进展的前景和意义。