Robotizovaná sonda rychle měří klíčové vlastnosti nových materiálů

Vědci usilují o objevení nových polovodičových materiálů, které by mohly zvýšit účinnost solárních článků a další elektroniky. Tempo inovací je však omezeno rychlostí, s jakou výzkumníci ručně měří důležité vlastnosti materiálů.

Plnoautomatický robotický systém vyvinutý výzkumníky z MIT by mohl tento proces urychlit.

Tento systém využívá robotickou sondu k měření důležité elektrické vlastnosti zvané fotovodivost, která určuje, jak elektricky citlivý je materiál na přítomnost světla.

Výzkumníci vkládají znalosti z oblasti materiálových věd od lidských expertů do modelu strojového učení, který řídí rozhodování robota. To umožňuje robotu identifikovat nejlepší místa pro kontakt s materiálem sondou, aby získal co nejvíce informací o jeho fotovodivosti, zatímco specializovaný plánovací postup najde nejrychlejší cestu mezi kontaktními body.

Během 24hodinového testu plně autonomní robotická sonda provedla více než 125 unikátních měření za hodinu s větší přesností a spolehlivostí než jiné metody založené na umělé inteligenci.

Dramatickým zvýšením rychlosti, s jakou mohou vědci charakterizovat důležité vlastnosti nových polovodičových materiálů, by tato metoda mohla podpořit vývoj solárních panelů, které produkují více elektřiny.

„Tuto studii považuji za neuvěřitelně vzrušující, protože nabízí cestu pro autonomní, kontaktní metody charakterizace. Ne každou důležitou vlastnost materiálu lze měřit bezkontaktní cestou. Pokud je potřeba se vzorkem spojit, chcete, aby to bylo rychlé a abyste maximalizovali množství získaných informací,“ říká Tonio Buonassisi, profesor strojírenství a hlavní autor článku o autonomním systému.

Jeho spoluautory jsou hlavní autor Alexander (Aleks) Siemenn, doktorand; postdoktorandi Basita Das a Kangyu Ji; a doktorand Fang Sheng. Práce vyšla dnes v časopise Science Advances.

Kontaktní měření

Od roku 2018 výzkumníci v Buonassisiho laboratoři pracují na plně autonomní laboratoři pro objevování materiálů. Nedávno se zaměřili na objevování nových perovskitů, které jsou skupinou polovodičových materiálů používaných ve fotovoltaice, jako jsou solární panely.

V předchozí práci vyvinuli techniky pro rychlou syntézu a tisk jedinečných kombinací perovskitového materiálu. Navrhli také metody založené na zobrazování pro určení některých důležitých vlastností materiálu.

Fotovodivost se však nejpřesněji charakterizuje umístěním sondy na materiál, ozářením světla a měřením elektrické odezvy.

„Aby naše experimentální laboratoř fungovala co nejrychleji a nejpřesněji, museli jsme přijít s řešením, které by produkovalo nejlepší měření a zároveň minimalizovalo dobu potřebnou k provedení celého postupu,“ říká Siemenn.

To vyžadovalo integraci strojového učení, robotiky a materiálových věd do jednoho autonomního systému.

Nejprve robotický systém použije svou palubní kameru k pořízení snímku sklíčka s tištěným perovskitovým materiálem.

Poté použije počítačové vidění k rozdělení tohoto obrázku na segmenty, které jsou zkrmené do neuronové sítě, která byla speciálně navržena tak, aby začlenila odborné znalosti chemiků a materiálových vědců.

„Tito roboti mohou zlepšit opakovatelnost a přesnost našich operací, ale je důležité mít stále lidského operátora v procesu. Pokud nemáme dobrý způsob, jak implementovat bohaté znalosti těchto chemických expertů do našich robotů, nebudeme schopni objevovat nové materiály,“ dodává Siemenn.

Model využívá tyto odborné znalosti k určení optimálních bodů pro kontakt sondy na základě tvaru vzorku a jeho materiálového složení. Tyto kontaktní body jsou zkrmeny do plánovače trasy, který najde nejefektivnější způsob, jak se sonda dostane do všech bodů.

Přizpůsobivost tohoto přístupu strojového učení je obzvláště důležitá, protože tištěné vzorky mají jedinečné tvary, od kruhových kapiček po struktury podobné bonbonům.

„Je to téměř jako měření sněhových vloček – je těžké najít dvě identické,“ říká Buonassisi.

Jakmile plánovač trasy najde nejkratší cestu, odešle signály do motorů robota, které manipulují se sondou a provádějí měření v každém kontaktním bodě v rychlém sledu.

Klíčem k rychlosti tohoto přístupu je samoobslužná povaha modelu neuronové sítě. Model určuje optimální kontaktní body přímo na obrázku vzorku – bez nutnosti označených trénovacích dat.

Výzkumníci také systém zrychlili vylepšením postupu plánování trasy. Zjistili, že přidání malého množství šumu nebo náhodnosti do algoritmu mu pomohlo najít nejkratší cestu.

„Jak postupujeme v tomto věku autonomních laboratoří, skutečně potřebujete všechny tři tyto oblasti odbornosti – konstrukci hardwaru, software a pochopení materiálových věd – aby se spojily ve stejném týmu, aby bylo možné rychle inovovat. A to je součástí tajemství úspěchu,“ říká Buonassisi.

Bohatá data, rychlé výsledky

Jakmile byl systém od základu sestaven, výzkumníci otestovali každou komponentu. Jejich výsledky ukázaly, že model neuronové sítě našel lepší kontaktní body s menší výpočetní náročností než sedm dalších metod založených na AI. Navíc algoritmus plánování trasy konzistentně nacházel kratší plány tras než jiné metody.

Když dali všechny části dohromady, aby provedli 24hodinový plně autonomní experiment, robotický systém provedl více než 3 000 unikátních měření fotovodivosti rychlostí přesahující 125 za hodinu.

Úroveň detailů poskytovaná tímto přesným přístupem k měření umožnila výzkumníkům identifikovat oblasti s vyšší fotovodivostí, jakož i oblasti degradace materiálu.

„Schopnost shromažďovat tak bohatá data, která lze zachytit tak vysokou rychlostí, bez nutnosti lidského vedení, začíná otevírat dveře k objevování a vývoji nových vysoce výkonných polovodičů, zejména pro aplikace v oblasti udržitelnosti, jako jsou solární panely,“ říká Siemenn.

Výzkumníci chtějí dále budovat na tomto robotickém systému, když se snaží vytvořit plně autonomní laboratoř pro objevování materiálů.

Tato práce je částečně podporována společnostmi First Solar, Eni prostřednictvím MIT Energy Initiative, MathWorks, University of Toronto's Acceleration Consortium, americkým ministerstvem energetiky a americkou Národní vědeckou nadací.