AI驅動的機器人加速半導體研發，實現綠色能源

科學家們正在尋求可能提高太陽能電池和其他小工具效率的新型半導體材料。然而，科學家手動監測關鍵材料特性的速度是創新的障礙。得益于麻省理工學院研究人員創建的完全自主機器人系統，事情可能會發展得更快。該研究發表在《科學進展》上。

他們的技術利用機器人探針來評估光電導率，這是一種重要的電學特性，決定了材料對光的接受程度。

研究人員將人類專家在材料科學領域的知識納入機器學習模型，以指導機器人的決策。這允許機器人選擇與探針接觸材料的最佳位置，以獲得有關其光電導的大部分信息，同時獨特的規劃方法確定接觸點之間的最快路徑。

在 24 小時測試期間，完全自主的機器人探針每小時獲取超過 125 次獨特的測量數據，表現出比現有基于人工智能的技術更高的精度和可靠性。

這項技術可能會大大加快科學家分析新型半導體材料關鍵特性的速度，從而刺激更高效的太陽能電池板的開發。

我發現這篇論文非常令人興奮，因為它為自主的、基于接觸的表征方法提供了一條途徑。并非材料的每個重要特性都可以用非接觸式方式測量。如果您需要與樣品接觸，您希望它快速，并且您希望最大限度地獲得信息量。

Tonio Buonassisi，研究資深作者、麻省理工學院教授

他的合著者包括研究生 Alexander （Aleks） Siemenn 作為主要作者，博士后研究人員 Basita Das 和 Kangyu Ji，以及研究生 Fang Sheng。

建立聯系

自 2018 年以來，Buonassisi 實驗室的研究人員一直在開發一個完全自主的材料發現實驗室。他們最近的重點是尋找新的鈣鈦礦，這是一種用于太陽能電池板等光伏的半導體。

在以前的工作中，他們建立了快速合成和打印鈣鈦礦材料新組合的方法。他們還開發了基于成像的方法來確定關鍵材料特性。

然而，確定光電導率的最精確方法是在材料上放置一個探針，用燈照射它，然后測量電反應。

為了讓我們的實驗實驗室盡可能快速準確地運行，我們必須想出一種解決方案，既能產生最佳測量結果，又能最大限度地減少運行整個過程所需的時間。

Alexander （Aleks） Siemenn，研究主要作者、麻省理工學院研究生

這需要將機器學習、機器人技術和材料科學結合到一個自治系統中。

首先，機器人的機載攝像頭捕捉到載玻片的圖像，上面寫有鈣鈦礦材料。

然后使用計算機視覺對圖像進行分割，并輸入到神經網絡模型中，該模型是專門為結合化學家和材料科學家的領域專業知識而創建的。

“這些機器人可以提高我們運營的可重復性和精度，但重要的是仍然有人參與其中。如果我們沒有一個好的方法將這些化學專家的豐富知識應用到我們的機器人中，我們將無法發現新材料，“Siemenn 補充道。

該模型應用這些領域知識，根據樣品的形狀和材料成分找到探針接觸的最佳位置。這些接觸點被發送到路徑規劃器中，該規劃器計算出探頭到達所有點的最有效路線。

考慮到打印樣品的形狀不同，從圓形液滴到軟糖狀結構，這種機器學習方法的多功能性尤為重要。

“這幾乎就像測量雪花——很難得到兩片雪花，”Buonassisi 說。

在確定最短路徑后，路徑規劃器將信號發送到機器人的電機，電機縱探頭并在每個接觸點快速連續地進行測量。

神經網絡模型的自我監督性質對該方法的速度至關重要。該方法可立即在樣本圖像上識別理想的接觸點，無需標記訓練數據。

研究人員還通過改進路徑規劃過程來加快系統速度。他們發現，在算法中添加一點噪聲或不可預測性可以提高算法定位最短路徑的能力。

“隨著我們在這個自主實驗室時代的進步，您確實需要將這三項專業知識（硬件構建、軟件和對材料科學的理解）整合到同一個團隊中，以便能夠快速創新。這是這里秘密醬汁的一部分，“Buonassisi 補充道。

豐富的數據，快速的結果

在從頭開始構建系統后，研究人員測試了每個組件。他們的發現表明，與其他七種基于 AI 的方法相比，神經網絡模型以更少的計算時間識別了更多的接觸位置。此外，路徑規劃算法始終產生比以前的方法更短的路徑計劃。

當他們將所有組件放在一起進行 24 小時完全自主實驗時，機器人系統以每小時超過 125 次的速度進行了 3,000 多次不同的光電導測量。

此外，這種精確測量技術提供的細節程度使研究人員能夠發現具有更大光電導性的熱點和材料劣化的區域。

Siemenn 表示：“能夠收集如此豐富的數據，并且可以以如此快的速度捕獲，而無需人工指導，這為發現和開發新的高性能半導體打開了大門，尤其是對于太陽能電池板等可持續性應用。

研究人員打算繼續開發這個機器人系統，因為他們試圖建造一個完全自主的材料發現實驗室。

這項研究部分由 First Solar、Eni 通過 MIT Energy Initiative、MathWorks、多倫多大學加速聯盟、美國能源部和美國國家科學基金會資助。