A sonda robótica mede rapidamente as propriedades dos semicondutores para acelerar o desenvolvimento do painel solar

Os cientistas estão se esforçando para descobrir novos materiais semicondutores que podem aumentar a eficiência das células solares e outros eletrônicos. Mas o ritmo da inovação é gargalhado pela velocidade com que os pesquisadores podem medir manualmente propriedades importantes materiais.

Um sistema robótico totalmente autônomo desenvolvido pelos pesquisadores do MIT pode acelerar as coisas.

Seu sistema utiliza uma sonda robótica para medir uma propriedade elétrica importante conhecida como fotocondutividade, que é como um material eletricamente responsivo é para a presença de luz.

Os pesquisadores injetam o conhecimento do domínio da ciência dos materiais de especialistas em humanos no modelo de aprendizado de máquina que guia a tomada de decisão do robô. Isso permite que o robô identifique os melhores lugares para entrar em contato com um material com a sonda para obter mais informações sobre sua fotocondutividade, enquanto um procedimento de planejamento especializado encontra a maneira mais rápida de se mover entre os pontos de contato.

Durante um teste de 24 horas, a sonda robótica totalmente autônoma fez mais de 125 medições únicas por hora, com mais precisão e confiabilidade do que outros métodos baseados em inteligência artificial.

Ao aumentar drasticamente a velocidade na qual os cientistas podem caracterizar propriedades importantes de novos materiais semicondutores, esse método pode estimular o desenvolvimento de painéis solares que produzem mais eletricidade.

“I find this paper to be incredibly exciting because it provides a pathway for autonomous, contact-based characterization methods. Not every important property of a material can be measured in a contactless way. If you need to make contact with your sample, you want it to be fast and you want to maximize the amount of information that you gain,” says Tonio Buonassisi, professor of mechanical engineering and senior author of a paper on the autonomous system.

Seus co-autores incluem o principal autor Alexander (Aleks) Siemenn, um estudante de graduação; PostDocs Basita Das e Kangyu Ji; e estudante de pós -graduação Fang Sheng. O trabalho aparecerá em Avanços científicos.

Fazendo contato

Pesquisadores do Laboratório de Materiais Acelerados de Sustentabilidade de Buonassisi estão trabalhando em direção a um laboratório de descoberta de materiais totalmente autônomos. Eles recentemente se concentraram em descobrir novos perovskitas, que são uma classe de materiais semicondutores usados ​​em fotovoltaicos como painéis solares.

Em trabalhos anteriores, eles desenvolveram técnicas para sintetizar e imprimir rapidamente combinações exclusivas de material de perovskita. Eles também criaram métodos baseados em imagens para determinar algumas propriedades importantes do material.

Mas a fotocondutividade só pode ser caracterizada colocando uma sonda no material, brilhando uma luz e medindo a resposta elétrica.

“Para permitir que nosso laboratório experimental opere o mais rápido e preciso possível, tivemos que encontrar uma solução que produza as melhores medições, minimizando o tempo necessário para executar todo o procedimento”, diz Siemenn.

Fazer isso exigia a integração do aprendizado de máquina, robótica e ciência do material em um sistema autônomo.

Para começar, o sistema robótico usa sua câmera a bordo para tirar a imagem de um slide com material perovskite impresso.

Em seguida, ele usa a visão computacional para cortar essa imagem em segmentos, que são alimentados em um modelo de rede neural que foi especialmente projetado para incorporar a experiência de domínio de químicos e cientistas de materiais.

“Esses robôs podem melhorar a repetibilidade e a precisão de nossas operações, mas é importante ainda ter um humano no loop. Se não tivermos uma boa maneira de implementar o rico conhecimento desses especialistas químicos em nossos robôs, não seremos capazes de descobrir novos materiais”, acrescenta Siemenn.

O modelo usa esse conhecimento de domínio para determinar os pontos ideais para a sonda entrar em contato com base na forma da amostra e em sua composição do material. Esses pontos de contato são alimentados em um planejador de caminho que encontra a maneira mais eficiente para a sonda atingir todos os pontos.

A adaptabilidade dessa abordagem de aprendizado de máquina é especialmente importante porque as amostras impressas têm formas exclusivas, de gotas circulares a estruturas semelhantes à geleia.

“É quase como medir os flocos de neve – é difícil conseguir dois idênticos”, diz Buonassisi.

Uma vez que o planejador de caminho encontra o caminho mais curto, ele envia sinais para os motores do robô, que manipulam a sonda e fazem medições em cada ponto de contato em rápida sucessão.

A chave para a velocidade dessa abordagem é a natureza auto-supervisionada do modelo de rede neural. O modelo determina pontos de contato ideais diretamente em uma imagem de amostra – sem a necessidade de dados de treinamento rotulados.

Os pesquisadores também aceleraram o sistema, aprimorando o procedimento de planejamento do caminho. Eles descobriram que a adição de uma pequena quantidade de ruído, ou aleatoriedade, ao algoritmo, ajudava a encontrar o caminho mais curto.

“À medida que progredimos nessa era dos laboratórios autônomos, você realmente precisa de todos esses três conhecimentos – construção de hardware, software e um entendimento da ciência dos materiais – realizar juntos na mesma equipe para poder inovar rapidamente. E isso faz parte do molho secreto aqui”, diz Buonassisi.

Dados ricos, resultados rápidos

Depois de construir o sistema desde o início, os pesquisadores testaram cada componente. Seus resultados mostraram que o modelo de rede neural encontrou melhores pontos de contato com menos tempo de computação do que sete outros métodos baseados em IA. Além disso, o algoritmo de planejamento do caminho encontrou consistentemente planos de caminho mais curtos do que outros métodos.

Quando eles juntam todas as peças para realizar um experimento totalmente autônomo de 24 horas, o sistema robótico conduziu mais de 3.000 medições exclusivas de fotocondutividade a uma taxa superior a 125 por hora.

Além disso, o nível de detalhe fornecido por essa abordagem precisa de medição permitiu aos pesquisadores identificar pontos de acesso com maior fotocondutividade, bem como áreas de degradação do material.

“Ser capaz de coletar dados tão ricos que podem ser capturados a taxas tão rápidas, sem a necessidade de orientação humana, começam a abrir portas para poder descobrir e desenvolver novos semicondutores de alto desempenho, especialmente para aplicações de sustentabilidade como painéis solares”, diz Siemenn.

Os pesquisadores querem continuar construindo esse sistema robótico, enquanto se esforçam para criar um laboratório totalmente autônomo para a descoberta de materiais.

Esta história é republicada, cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que abrange notícias sobre pesquisa, inovação e ensino do MIT.