iLabPower实验设计（DOE）工具支持正交设计和均匀设计，可在线设计实验方案，与实验记录建立双向关联，打通设计数据与实验记录数据，确保数据的可追溯性，易于后续数据分析，有效避免遗漏或重复。与此同时，通过借助人工智能创新应用平台MaXFlow将机器学习技术融入传统DOE方法，帮助研究人员快速锁定最优实验方案区间，大幅减少验证实验数量，推动数据驱动的决策。
iLabPower实验设计（DOE）融合了正交试验设计的高效性和经济性，以及机器学习建模和贝叶斯算法EDBO的全局优化能力，提供智能化的实验设计和优化解决方案，推动实验条件预测的精确性，实现数据驱动决策，是实验设计和分析的重要工具。
正交试验设计(Orthogonal experimental design)是一种高效、经济的多因素多水平研究方法。通过选取代表性点，基于正交性进行试验，这些点均匀分散，齐整可比。它旨在生成优化的实验设计、评估设计效率，并进行结果分析。根据连续或分类的因子水平，它可以自动创建优化设计，并评估为实验次数的函数，从而推荐最高效的设计。
对于给定domain数据和真实实验数据dataset数据集进行机器学习建模，利用随机搜索或贝叶斯搜索进行实验模拟，预测出最佳的实验条件。
贝叶斯优化是一种基于迭代响应面的全局优化算法，在机器学习模型的调优中表现出卓越的性能。近年来贝叶斯优化也被应用于化学领域。通过使用贝叶斯优化，可以有效地优化实验设计中的工艺参数，实现数据驱动的决策。
帮助研究人员快速锁定最优实验方案区间，大幅减少验证实验数量，推动数据驱动的决策。
实验设计应用的范围非常广，不仅应用在生物医药领域，也可以应用在材料化工等领域，可用于化合物合成、配方开发和工艺优化等。
用户仅需准备与实验相关的因素（影响试验指标的变量）及其水平（各因素的不同取值）。无需提供实验结果，MaXFlow的正交设计和EDBO能基于这些数据输出初步优化的实验方案。得到实验结果后，EDBO组件能够进一步进行多轮优化，以持续提升实验方案的效率。
