Учёные стремятся открыть новые полупроводниковые материалы, которые могли бы повысить эффективность солнечных батарей и другой электроники. Однако скорость инноваций сдерживается темпом, с которым исследователи могут вручную измерять важные свойства материалов.
Разработанная учёными Массачусетского технологического института (MIT) полностью автономная роботизированная система может ускорить этот процесс.
Их система использует роботизированный зонд для измерения важного электрического свойства, известного как фотопроводимость, — насколько материал чувствителен к свету с точки зрения электрических свойств.
Исследователи внедряют знания экспертов в области материаловедения в модель машинного обучения, которая управляет принятием решений роботом. Это позволяет роботу определять наилучшие места для контакта с материалом зондом, чтобы получить максимум информации о его фотопроводимости, в то время как специальная процедура планирования находит самый быстрый путь перемещения между контактными точками.
В ходе 24-часового теста полностью автономный роботизированный зонд сделал более 125 уникальных измерений в час с большей точностью и надёжностью, чем другие методы, основанные на искусственном интеллекте.
Существенно увеличив скорость, с которой учёные могут охарактеризовать важные свойства новых полупроводниковых материалов, этот метод может стимулировать разработку солнечных панелей, производящих больше электроэнергии.
«Я считаю эту статью невероятно интересной, потому что она открывает путь для автономных методов контактного определения характеристик. Не все важные свойства материала можно измерить бесконтактно. Если вам нужно установить контакт с образцом, вы хотите, чтобы это было быстро, и вы хотите максимизировать количество получаемой информации», — говорит Тонио Буонассизи, профессор машиностроения и старший автор статьи об автономной системе.
Установление контакта
С 2018 года исследователи в лаборатории Буонассизи работают над созданием полностью автономной лаборатории по открытию материалов. Недавно они сосредоточились на открытии новых перовскитов — класса полупроводниковых материалов, используемых в фотовольтаике, например, в солнечных панелях.
В предыдущих работах они разработали методы быстрого синтеза и печати уникальных комбинаций перовскитных материалов. Они также разработали методы визуализации для определения некоторых важных свойств материалов.
Но фотопроводимость наиболее точно характеризуется путём размещения зонда на материале, освещения его светом и измерения электрического отклика.
«Чтобы наша экспериментальная лаборатория работала так быстро и точно, как возможно, нам нужно было придумать решение, которое обеспечивало бы наилучшие измерения при минимизации времени, необходимого для выполнения всей процедуры», — говорит Александр (Алекса) Сиеменн, ведущий автор исследования.
Для этого потребовалось интегрировать машинное обучение, робототехнику и материаловедение в одну автономную систему.
Сначала роботизированная система использует встроенную камеру, чтобы сделать снимок слайда с напечатанным на нём перовскитным материалом. Затем она использует компьютерное зрение, чтобы разделить это изображение на сегменты, которые затем передаются в модель нейронной сети, специально разработанную для включения экспертных знаний химиков и материаловедов.
«Эти роботы могут повысить повторяемость и точность наших операций, но важно, чтобы человек всё равно участвовал в процессе. Если у нас не будет хорошего способа внедрить богатые знания этих химических экспертов в наших роботов, мы не сможем открывать новые материалы», — добавляет Сиеменн.
Модель использует эти экспертные знания для определения оптимальных точек контакта зонда на основе формы образца и его состава. Эти контактные точки передаются в планировщик маршрута, который находит наиболее эффективный путь для зонда, чтобы достичь всех точек.
Адаптивность этого подхода машинного обучения особенно важна, поскольку напечатанные образцы имеют уникальные формы — от круглых капель до структур, похожих на жевательные резинки.
«Это почти как измерение снежинок — трудно найти две одинаковые», — говорит Буонассизи.
Как только планировщик маршрута находит кратчайший путь, он посылает сигналы на двигатели робота, которые манипулируют зондом и производят измерения в каждой контактной точке в быстрой последовательности.
Ключом к скорости этого подхода является самоконтролируемый характер модели нейронной сети. Модель определяет оптимальные точки контакта непосредственно на изображении образца — без необходимости использования размеченных обучающих данных.
Исследователи также ускорили систему, усовершенствовав процедуру планирования маршрута. Они обнаружили, что добавление небольшого количества шума или случайности в алгоритм помогает ему находить кратчайший путь.
«По мере того как мы продвигаемся в век автономных лабораторий, вам действительно нужны все три области знаний — создание аппаратного обеспечения, разработка программного обеспечения и понимание материаловедения — объединённые в одной команде, чтобы иметь возможность быстро внедрять инновации. И в этом отчасти и заключается секрет успеха», — говорит Буонассизи.
Богатые данные, быстрые результаты
После того как исследователи создали систему с нуля, они протестировали каждый компонент. Их результаты показали, что модель нейронной сети находит лучшие точки контакта с меньшими затратами времени на вычисления, чем семь других методов, основанных на искусственном интеллекте. Кроме того, алгоритм планирования маршрута последовательно находил более короткие планы маршрута, чем другие методы.
Когда они объединили все части вместе для проведения 24-часового полностью автономного эксперимента, роботизированная система провела более 3000 уникальных измерений фотопроводимости со скоростью более 125 в час.
Кроме того, уровень детализации, обеспечиваемый этим точным подходом к измерению, позволил исследователям определить горячие точки с более высокой фотопроводимостью, а также области деградации материала.
«Возможность собирать такие богатые данные, которые можно фиксировать с такой высокой скоростью, без необходимости человеческого руководства, открывает двери для открытия и разработки новых высокоэффективных полупроводников, особенно для экологически устойчивых применений, таких как солнечные панели», — говорит Сиеменн.
Исследователи хотят продолжить работу над этой роботизированной системой, стремясь создать полностью автономную лабораторию для открытия материалов.
Эта работа частично поддержана First Solar, Eni через MIT Energy Initiative, MathWorks, консорциумом по ускорению Университета Торонто, Министерством энергетики США и Национальным научным фондом США.
1. Какие ключевые свойства новых материалов измеряет роботизированный зонд?
Ответ: роботизированный зонд измеряет фотопроводимость — насколько материал чувствителен к свету с точки зрения электрических свойств.
2. Каким образом роботизированная система определяет наилучшие места для контакта с материалом зондом?
Ответ: исследователи внедряют знания экспертов в области материаловедения в модель машинного обучения, которая управляет принятием решений роботом. Модель использует эти экспертные знания для определения оптимальных точек контакта зонда на основе формы образца и его состава.
3. Какова скорость работы роботизированной системы по сравнению с другими методами?
Ответ: в ходе 24-часового теста полностью автономный роботизированный зонд сделал более 125 уникальных измерений в час. Это существенно увеличивает скорость, с которой учёные могут охарактеризовать важные свойства новых полупроводниковых материалов, по сравнению с другими методами.
4. Какие преимущества даёт использование роботизированной системы для измерения фотопроводимости?
Ответ: роботизированная система позволяет ускорить процесс измерения фотопроводимости, повысить точность и надёжность измерений, а также получить более богатые данные о свойствах материалов. Это может стимулировать разработку солнечных панелей, производящих больше электроэнергии.
5. Какие перспективы открывает использование роботизированной системы для открытия новых полупроводниковых материалов?
Ответ: использование роботизированной системы открывает перспективы для более быстрого и точного открытия новых полупроводниковых материалов, особенно для экологически устойчивых применений, таких как солнечные панели. Это может привести к разработке более эффективных солнечных панелей и других электронных устройств.