Para ilmuwan berusaha untuk menemukan bahan semikonduktor baru yang dapat meningkatkan efisiensi sel surya dan elektronik lainnya. Tetapi laju inovasi dibotolkan oleh kecepatan di mana para peneliti dapat mengukur sifat material yang penting secara manual.
Sistem robot yang sepenuhnya otonom yang dikembangkan oleh para peneliti MIT dapat mempercepat segalanya.
Sistem mereka menggunakan probe robot untuk mengukur sifat listrik penting yang dikenal sebagai fotokonduktansi, yang merupakan seberapa responsif suatu bahan secara elektrik terhadap adanya cahaya.
Para peneliti menyuntikkan pengetahuan-sains-domain dari para ahli manusia ke dalam model pembelajaran mesin yang memandu pengambilan keputusan robot. Ini memungkinkan robot untuk mengidentifikasi tempat terbaik untuk menghubungi materi dengan penyelidikan untuk mendapatkan informasi terbanyak tentang fotokonduktansi, sementara prosedur perencanaan khusus menemukan cara tercepat untuk bergerak di antara titik kontak.
Selama tes 24 jam, probe robot yang sepenuhnya otonom mengambil lebih dari 125 pengukuran unik per jam, dengan lebih presisi dan keandalan daripada metode berbasis kecerdasan buatan lainnya.
Dengan meningkatkan kecepatan secara dramatis di mana para ilmuwan dapat mengkarakterisasi sifat -sifat penting dari bahan semikonduktor baru, metode ini dapat memacu pengembangan panel surya yang menghasilkan lebih banyak listrik.
“Saya menemukan makalah ini sangat menarik karena menyediakan jalur untuk metode karakterisasi berbasis kontak yang otonom. Tidak setiap properti penting dari suatu materi dapat diukur dengan cara tanpa kontak. Jika Anda perlu melakukan kontak dengan sampel, Anda ingin itu cepat dan Anda ingin memaksimalkan jumlah informasi yang Anda dapatkan. Kata Autonomer, Autonomer.
Rekan penulisnya termasuk penulis utama Alexander (Aleks) Siemenn, seorang mahasiswa pascasarjana; Postdocs Basita Das dan Kangyu Ji; dan mahasiswa pascasarjana Fang Sheng. Pekerjaan muncul hari ini di Kemajuan Sains.
Melakukan kontak
Sejak 2018, para peneliti di laboratorium Buonassisi telah bekerja menuju laboratorium penemuan bahan yang sepenuhnya otonom. Mereka baru -baru ini fokus pada penemuan perovskit baru, yang merupakan kelas bahan semikonduktor yang digunakan dalam fotovoltaik seperti panel surya.
Dalam karya sebelumnya, mereka mengembangkan teknik untuk secara cepat mensintesis dan mencetak kombinasi unik bahan perovskit. Mereka juga merancang metode berbasis pencitraan untuk menentukan beberapa sifat material yang penting.
Tetapi fotokonduktansi paling akurat ditandai dengan menempatkan probe ke material, menyinari cahaya, dan mengukur respons listrik.
“Untuk memungkinkan laboratorium eksperimental kami beroperasi secepat dan seakurat mungkin, kami harus menghasilkan solusi yang akan menghasilkan pengukuran terbaik sambil meminimalkan waktu yang diperlukan untuk menjalankan seluruh prosedur,” kata Siemenn.
Melakukan hal itu membutuhkan integrasi pembelajaran mesin, robotika, dan ilmu material ke dalam satu sistem otonom.
Untuk memulai, sistem robot menggunakan kamera onboardnya untuk mengambil gambar slide dengan bahan perovskite yang dicetak di atasnya.
Kemudian menggunakan visi komputer untuk memotong gambar itu menjadi segmen, yang dimasukkan ke dalam model jaringan saraf yang telah dirancang khusus untuk menggabungkan keahlian domain dari ahli kimia dan ilmuwan material.
“Robot ini dapat meningkatkan pengulangan dan ketepatan operasi kami, tetapi penting untuk tetap memiliki manusia dalam loop. Jika kami tidak memiliki cara yang baik untuk menerapkan pengetahuan yang kaya dari para ahli kimia ini ke dalam robot kami, kami tidak akan dapat menemukan bahan baru,” tambah Siemenn.
Model ini menggunakan pengetahuan domain ini untuk menentukan titik optimal untuk probe untuk kontak berdasarkan bentuk sampel dan komposisi materialnya. Titik -titik kontak ini dimasukkan ke dalam perencana jalur yang menemukan cara paling efisien bagi penyelidikan untuk mencapai semua titik.
Kemampuan beradaptasi dari pendekatan pembelajaran mesin ini sangat penting karena sampel yang dicetak memiliki bentuk yang unik, dari tetes melingkar hingga struktur seperti jellybean.
“Ini hampir seperti mengukur kepingan salju – sulit untuk mendapatkan dua yang identik,” kata Buonassisi.
Setelah perencana jalur menemukan jalan terpendek, ia mengirimkan sinyal ke motor robot, yang memanipulasi penyelidikan dan melakukan pengukuran pada setiap titik kontak secara berurutan.
Kunci dari kecepatan pendekatan ini adalah sifat swasembada dari model jaringan saraf. Model ini menentukan titik kontak yang optimal secara langsung pada gambar sampel – tanpa perlu data pelatihan berlabel.
Para peneliti juga mempercepat sistem dengan meningkatkan prosedur perencanaan jalur. Mereka menemukan bahwa menambahkan sedikit kebisingan, atau keacakan, ke algoritma membantu menemukan jalur terpendek.
“Saat kami maju di era laboratorium otonom ini, Anda benar -benar membutuhkan ketiga keahlian ini – pembangunan perangkat keras, perangkat lunak, dan pemahaman tentang ilmu material – yang datang bersama -sama ke tim yang sama untuk dapat berinovasi dengan cepat. Dan itu adalah bagian dari saus rahasia di sini,” kata BuonAssisi.
Data yang kaya, hasil yang cepat
Setelah mereka membangun sistem dari bawah ke atas, para peneliti menguji setiap komponen. Hasil mereka menunjukkan bahwa model jaringan saraf menemukan titik kontak yang lebih baik dengan waktu komputasi lebih sedikit daripada tujuh metode berbasis AI lainnya. Selain itu, algoritma perencanaan jalur secara konsisten menemukan rencana jalur yang lebih pendek daripada metode lainnya.
Ketika mereka menyatukan semua bagian untuk melakukan percobaan otonom 24 jam sepenuhnya, sistem robot melakukan lebih dari 3.000 pengukuran fotokonduktansi unik pada tingkat yang melebihi 125 per jam.
Selain itu, tingkat detail yang disediakan oleh pendekatan pengukuran yang tepat ini memungkinkan para peneliti untuk mengidentifikasi hotspot dengan fotokonduktansi yang lebih tinggi serta area degradasi material.
“Mampu mengumpulkan data yang kaya yang dapat ditangkap dengan harga cepat seperti itu, tanpa perlu bimbingan manusia, mulai membuka pintu untuk dapat menemukan dan mengembangkan semikonduktor kinerja tinggi baru, terutama untuk aplikasi keberlanjutan seperti panel surya,” kata Siemenn.
Para peneliti ingin terus membangun sistem robot ini karena mereka berusaha untuk membuat laboratorium yang sepenuhnya otonom untuk penemuan bahan.
Pekerjaan ini didukung, sebagian, oleh First Solar, Eni melalui MIT Energy Initiative, MathWorks, Konsorsium Akselerasi Universitas Toronto, Departemen Energi AS, dan Yayasan Sains Nasional AS.
