iLabPower實驗設計（DOE）工具支持正交設計和均勻設計，可在線設計實驗方案，與實驗記錄建立雙向關聯，打通設計數據與實驗記錄數據，確保數據的可追溯性，易於後續數據分析，有效避免遺漏或重複。與此同時，通過藉助人工智能創新應用平台MaXFlow將機器學習技術融入傳統DOE方法，幫助研究人員快速鎖定最優實驗方案區間，大幅減少驗證實驗數量，推動數據驅動的決策。
iLabPower實驗設計（DOE）融合了正交試驗設計的高效性和經濟性，以及機器學習建模和貝葉斯算法EDBO的全局優化能力，提供智能化的實驗設計和優化解決方案，推動實驗條件預測的精確性，實現數據驅動決策，是實驗設計和分析的重要工具。
正交試驗設計(Orthogonal experimental design)是一種高效、經濟的多因素多水平研究方法。通過選取代表性點，基於正交性進行試驗，這些點均勻分散，齊整可比。它旨在生成優化的實驗設計、評估設計效率，並進行結果分析。根據連續或分類的因子水平，它可以自動創建優化設計，並評估為實驗次數的函數，從而推薦最高效的設計。
對於給定domain數據和真實實驗數據dataset數據集進行機器學習建模，利用隨機搜索或貝葉斯搜索進行實驗模擬，預測出最佳的實驗條件。
貝葉斯優化是一種基於疊代響應面的全局優化算法，在機器學習模型的調優中表現出卓越的性能。近年來貝葉斯優化也被應用於化學領域。通過使用貝葉斯優化，可以有效地優化實驗設計中的工藝參數，實現數據驅動的決策。
幫助研究人員快速鎖定最優實驗方案區間，大幅減少驗證實驗數量，推動數據驅動的決策。
實驗設計應用的範圍非常廣，不僅應用在生物醫藥領域，也可以應用在材料化工等領域，可用於化合物合成、配方開發和工藝優化等。
用戶僅需準備與實驗相關的因素（影響試驗指標的變量）及其水平（各因素的不同取值）。無需提供實驗結果，MaXFlow的正交設計和EDBO能基於這些數據輸出初步優化的實驗方案。得到實驗結果後，EDBO組件能夠進一步進行多輪優化，以持續提升實驗方案的效率。
