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 fotocondutância, que é como um materials 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 materials com a sonda para obter mais informações sobre sua fotocondutância, 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 synthetic.
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 discover this paper to be extremely thrilling as a result of it offers a pathway for autonomous, contact-based characterization strategies. Not each vital property of a cloth will be measured in a contactless means. If that you must make contact together with your pattern, you need it to be quick and also you wish to maximize the quantity of data that you just acquire,” says Tonio Buonassisi, professor of mechanical engineering and senior writer of a papel no sistema autônomo.
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 aparece hoje em Avanços científicos.
Fazendo contato
Desde 2018, os pesquisadores do laboratório de Buonassisi têm trabalhado 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 materials de perovskita. Eles também projetaram Métodos baseados em imagens para determinar algumas propriedades materiais importantes.
Mas a fotocondutância é caracterizada com mais precisão, colocando uma sonda no materials, brilhando uma luz e medindo a resposta elétrica.
“Para permitir que nosso laboratório experimental opere o mais rápido e precisão 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 materials em um sistema autônomo.
Para começar, o sistema robótico usa sua câmera a bordo para tirar a imagem de um slide com materials 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 materials. 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 nesta period dos laboratórios autônomos, você realmente precisa de todos esses três conhecimentos – construção de {hardware}, software program e uma compreensão da ciência dos materiais – se unindo à 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 fotocondutância 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 fotocondutância, bem como áreas de degradação do materials.
“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.
Este trabalho é apoiado, em parte, pela Primeira Photo voltaic, Eni através da Iniciativa de Energia do MIT, Mathworks, Consórcio de Aceleração da Universidade de Toronto, do Departamento de Energia dos EUA e da Fundação Nacional de Ciências dos EUA.