《Digital Discovery》：Qubots: open-source modular laboratory robots as building blocks for flexible assembly of self-driving labsOpen Access
编辑推荐：
实验室自动化是材料科学中算法驱动研究的关键推动因素；通过提高通量和加速实验工作流程，研究人员能够生成大规模实验数据集，用以验证和优化机器学习及人工智能模型。然而，由于商业系统成本高昂、专业知识有限以及缺乏适应不断演进的研究流程的灵活自动化工具，自动化技术的可及
实验室自动化是材料科学中算法驱动研究的关键推动因素；通过提高通量和加速实验工作流程，研究人员能够生成大规模实验数据集，用以验证和优化机器学习及人工智能模型。然而，由于商业系统成本高昂、专业知识有限以及缺乏适应不断演进的研究流程的灵活自动化工具，自动化技术的可及性仍仅限于科学界的一小部分群体。为此，各研究团队通过改装低成本运动平台（如3D打印机或CNC机床）来执行实验任务，从而开发出定制化自动化解决方案。然而，这些平台并非为满足材料科学与工程（MSE）实验的要求而设计，导致相关解决方案难以与常见的实验室基础设施和实践良好适配。本文介绍了Qubot——一种灵活且模块化的机器人平台，专为满足MSE实验要求而设计，采用标准化、高性价比组件构建，降低了采用该平台的经济和技术门槛。研究人员利用国际公认的测试协议对Qubot性能进行了表征，证明其重复性和精度优于常用于实验工作的改装运动平台。最后，研究人员通过在具有代表性的实验任务中进行压力测试验证了该设计，并将其应用于洗发水配方制备与表征、聚合物电解质制备与表征这两个全自动实验室工作流程中，展示了其灵活的模块化特性。
Qubots：面向材料科学自动化实验的开源模块化机器人平台解读
一、研究背景与问题
近年来，人工智能（AI）和机器学习（ML）在材料科学与工程（MSE）研发中的应用极大加速了材料发现进程。数据驱动模型通过高效探索高维设计空间，有望缩短材料开发的时间和成本。然而，实验验证环节严重滞后于计算进展。其原因主要有两方面：其一，相较于算法训练完成后的计算生成，实验合成与表征本质上极为耗时；其二，生成模型主要基于计算数据集训练，难以完全反映真实合成条件，导致算法在面对实验复杂性时预测性能出现偏差。
实验室自动化被视为弥合这一鸿沟的关键路径。自驱动实验室（self-driving laboratories, SDLs）能够实现高通量合成与表征，同时生成真实实验数据以迭代优化生成模型。然而，自动化技术的普及面临三大障碍：商业系统价格高昂，仅少数资金充足的实验室能够负担；多数商业系统为固定集成式设计，重新配置需大量设计与工程投入，难以灵活适配不同实验流程；自动化工具对用户技术专长要求较高，材料科学研究者普遍缺乏相关经验。为降低准入门槛，学术界已尝试将3D打印机或CNC机床改装为实验工具，但这些平台并非为材料实验而设计，往往无法满足实验室安全要求，也缺乏整合至多样化实验流程的内在灵活性。
二、研究内容与总体结论
针对上述问题，研究人员提出了Qubot——一种面向MSE研究专用需求设计的笛卡尔坐标式机器人平台。Qubot遵循模块化、紧凑、精简、分离和可维修五项设计原则，以300×300 mm光学面包板为标准单元，采用丝杠直线模组驱动，支持独立供电与运动控制，可由用户利用常见原型加工设施自行组装与维护。通过国际标准ISO 230-2:2014测试，Qubot在重复性和最小增量步方面优于常用于实验改装的运动平台。研究还通过两个全自动工作流程验证了其应用价值：洗发水配方制备与表征平台，以及聚合物电解质合成与表征平台（PESCador）。结果表明，Qubot能够以较高通量和可靠性完成涵盖合成、处理和表征的完整材料实验流程。相关成果发表在《Digital Discovery》。
三、主要关键技术方法
研究人员使用了以下几项关键技术方法：采用立式丝杠直线模组与步进电机构成运动系统，基于G代码实现位置控制；使用两种运动控制器（Arduino Nano配合grbl固件，以及Duet 3 Mini 5+）；通过开源Python软件包control-lab-ly实现实验室设备通信与流程编排；采用Bayesian自动化优化方法对液体转移参数进行优化；利用ISO 230-2:2014标准进行重复性和最小增量步测试；通过重力法评估液体转移精度；使用电化学阻抗谱（EIS）结合等效电路拟合分析聚合物电解质离子电导率。此外，研究在洗发水配方平台中使用了SCARA机械臂（Dobot M1Pro）进行样品盘转移，在PESCador中使用了真空吸盘式笛卡尔机械臂进行模块间样品传递。
四、研究结果
（一）名义与操作性能测试
研究人员将Qubot与Opentrons OT-2、Creality Ender 3 V2和Genmitsu 3018 PROVer等常用实验自动化平台进行对比。在占地面积利用率方面，Qubot在所比较系统中位居第二，其紧凑的外部尺寸使其在标准通风橱或手套箱内最多可部署10个模块，而其他平台仅能容纳2至4个。重复性测试显示，采用CNC铝制适配器的龙门式Qubot重复性为2–3.5 μm，优于采用PETG FDM打印适配器的版本（4.5–6.5 μm），并与入门级CNC平台Genmitsu 3018 PROVer相当。最小增量步测试中，Qubot达到5 μm，明显优于OT-2（50 μm）和Ender 3 V2（100 μm）。悬臂式Qubot的末端偏转测试表明，在保持<0.5 mm偏转条件下，铝制适配器版本可支撑500 g负载，PETG版本可支撑200 g负载。此外，移液Qubot在1056次液体分配循环中无操作故障，可靠性大于99.9%；真空腔Qubot在1000次循环中仅一次因夹具错位未达到50 mbar以下压力目标。
（二）液体化妆品配方平台研究
该平台基于研究人员此前半自动洗发水配方工作流程构建。原流程依赖OT-2移液机器人、人工磁力搅拌、人工成像和改装3D打印机的pH调节机器人，在八个月内制备800种配方，通量约每周24个样品，且需要人在回路中完成样品转移和任务执行。新平台采用pipQubot（移液模块）、pHQubot（pH调节模块）、自动搅拌站、成像站和SCARA机械臂，实现了全自动闭环操作。实验选取12种配方（含稳定和不稳定配方），每种制备5个重复，共60个样品，每个实验周期约7小时，通量提升至每天24个样品，为原流程的4倍。重力法评估显示，液体转移平均绝对误差为2.8±10%，排除3个离群点后为2±3%。搅拌步骤中，50%的高粘度配方仅靠平台内置磁力搅拌器混合失败，需人工移至强力搅拌板完成；pHQubot在60个样品中有6个未能在±0.2容差内完成调节；最终稳定性结果与先前报道在2个样品上不一致。该平台证明了Qubot模块化架构可在不改造实验室布局的前提下，以单一固定机械臂完成模块间样品传递，显著提高通量并消除人工干预瓶颈。
（三）聚合物电解质合成与表征平台（PESCador）研究
PESCador由pipQubot、vacQubot（真空脱气模块）、uvQubot（多通道光化学固化站）和mechemQubot（电化学探测站）组成，配备转移机械臂，用于合成双连续聚合物电解质（锂双草酸硼酸盐LiBOB溶于碳酸丙烯酯，交联双酚A乙氧基化二甲基丙烯酸酯BPAEDMA为基体）。研究人员选取8种锂盐溶液与甲基丙烯酸酯单体组合，每种制备3个重复，每个配方浇铸4个纽扣电池样品，共合成并表征96个聚合物样品。每个实验周期平均约2.5小时，通量达到每天72个样品（18种不同配方）。实验过程中出现8次错误，其中4次为通信问题，1次为硬件故障，1次为孤立实验异常。移液精度方面，锂盐溶液转移平均误差约1%，BPAEDMA约4%；配方转移至纽扣电池的质量变异系数为5%。消化分析显示，仅16个样品聚合度偏离预期超过10%，其中9个为最高溶剂/单体比配方。厚度测量方面，自动化测量与人工测量的中位差异为40±40 μm，仅7%样品差异超过100 μm。EIS数据分析采用半自动等效电路拟合，液体相电导率在0至0.4 mS cm
?1范围，符合之前类似电解质体系的报道；随液体电解质含量增加，液体相电导率呈现渗流阈值行为，阈值出现在30–40%液体电解质组成区间。固体相电导率则表现出钟形趋势，在50–60%液体电解质组成时达到峰值，高于66%后趋近于零。研究指出，这种固体相电导率的钟形行为尚未在类似体系中被报道过，研究人员推测其与聚合物基体中锂盐浓度及聚合物网络连通性的竞争有关，但需进一步实验验证。
五、讨论与结论总结
讨论部分指出，Qubot的机械性能受组件质量、原型加工条件和装配技能影响，不同螺距丝杠（2、4、12 mm）导致最大平移速度在25–100 mm s
?1之间，需根据应用权衡精度与速度。实验范围方面，Qubot继承笛卡尔机器人的运动限制，不适合复杂灵巧操作；其设计未优化单模块多功能操作，更适合每个模块专用于单一实验任务。Qubot主要面向台式规模实验，尚未在放大流程中验证；整体实验性能也取决于所选用末端执行器。
研究结论总结如下：本文介绍了Qubot，一种为满足MSE研究需求而设计的低成本模块化机器人平台。通过标准化性能测试，研究人员证明Qubot在执行运动任务时的精度和重复性优于其他常见改装运动平台。模块化设计便于模块扩展与集成，可实现覆盖合成、处理和表征的完整材料开发流程的全自动运行。Qubot能够获得高质量数据：在洗发水配方平台中，超过95%的测试样品复现了此前报道的稳定性结果，通量较半自动方法提高四倍；在聚合物电解质平台中，能够以比手动方法高一个数量级的通量制备不同液固相比的电解质材料，并获得与已有报道及物理模型一致的离子电导率测量结果。通过结合可及性、模块化和稳健性能，Qubot为降低实验室自动化门槛提供了实用途径。未来工作将集中于集成基于智能体AI的控制、实现自动错误检测与恢复，以及开发基于Qubot平台的自动装配流程。社区驱动的开发有望进一步扩大自动化在全球科研群体中的普及，促进材料AI发现新时代的民主化参与。
