Wissenschaftler bemühen sich, neue Halbleitermaterialien zu entdecken, die die Effizienz von Solarzellen und anderen Elektronik steigern könnten. Das Innovationstempo wird jedoch von der Geschwindigkeit, mit der Forscher wichtige Materialeigenschaften messen können, Engpässe erfolgt.
Ein vollständig autonomes Robotersystem, das von MIT -Forschern entwickelt wurde, könnte die Dinge beschleunigen.
Ihr System verwendet eine Robotersonde, um eine wichtige elektrische Eigenschaft zu messen, die als Photokontanz bezeichnet wird. So ist elektrisch reagiert ein Materials für das Vorhandensein von Licht.
Die Forscher injizieren Wissenswissenschaftswissen von menschlichen Experten in das maschinelle Lernmodell, das die Entscheidungsfindung des Roboters führt. Auf diese Weise kann der Roboter die besten Orte identifizieren, um ein Materials mit der Sonde zu kontaktieren, um die meisten Informationen über seine Photokontanz zu erhalten, während ein spezialisiertes Planungsverfahren den schnellsten Weg findet, sich zwischen den Kontaktpunkten zu bewegen.
Während eines 24-Stunden-Assessments nahm die vollständig autonome Robotersonde mehr als 125 einzigartige Messungen professional Stunde mit mehr Präzision und Zuverlässigkeit an als andere Methoden für künstliche Intelligenz.
Durch dramatisch erhöhtes Erhöhen der Geschwindigkeit, mit der Wissenschaftler wichtige Eigenschaften neuer Halbleitermaterialien charakterisieren können, könnte diese Methode die Entwicklung von Sonnenkollektoren vorantreiben, die mehr Strom erzeugen.
“I discover this paper to be extremely thrilling as a result of it supplies a pathway for autonomous, contact-based characterization strategies. Not each necessary property of a fabric may be measured in a contactless method. If it’s essential make contact together with your pattern, you need it to be quick and also you wish to maximize the quantity of knowledge that you simply acquire,” says Tonio Buonassisi, professor of mechanical engineering and senior creator of a Papier auf dem autonomen System.
Zu seinen Mitautoren gehören der Hauptautor Alexander (Aleks) Siemenn, ein Doktorand; Postdocs basita Das und Kangyu Ji; und Doktorand Fang Sheng. Die Arbeit erscheint heute in Wissenschaft Fortschritte.
Kontakt aufnehmen
Seit 2018 arbeiten Forscher im Labor von Buonassisi auf ein vollständig autonomes Materialentdeckungslabor. Sie haben sich kürzlich auf die Entdeckung neuer Perovskiten konzentriert, bei denen es sich um eine Klasse von Halbleitermaterialien handelt, die in Photovoltaiken wie Sonnenkollektoren verwendet werden.
In früheren Arbeiten entwickelten sie Techniken, um einzigartige Kombinationen von Perovskitmaterial schnell zu synthetisieren und zu drucken. Sie entwarfen auch bildgeboten Methoden einige wichtige Materialeigenschaften zu bestimmen.
Die Photokontanzierung wird jedoch am genauesten durch das Platzieren einer Sonde auf das Materials, das Leiden eines Lichts und die Messung der elektrischen Reaktion charakterisiert.
„Um unserem experimentellen Labor so schnell und genau wie möglich zu operieren, mussten wir eine Lösung finden, die die besten Messungen erzeugen und gleichzeitig die Zeit minimiert, die für die Durchführung des gesamten Verfahrens benötigt wird“, sagt Siemenn.
Dies erforderte die Integration von maschinellem Lernen, Robotik und Materialwissenschaft in ein autonomes System.
Zunächst nutzt das Robotersystem seine Kamera an Bord, um ein Bild von einer Folie mit darauf gedrucktem Perovskitmaterial aufzunehmen.
Anschließend wird Pc Imaginative and prescient verwendet, um dieses Bild in Segmente zu schneiden, die in ein neuronales Netzwerkmodell eingespeist werden, das speziell für die Einbeziehung von Domänenkompetenz von Chemikern und Materialwissenschaftlern entwickelt wurde.
„Diese Roboter können die Wiederholbarkeit und Präzision unserer Operationen verbessern, aber es ist wichtig, noch einen Menschen in der Schleife zu haben. Wenn wir keine gute Möglichkeit haben, das reiche Wissen dieser chemischen Experten in unsere Roboter umzusetzen, werden wir keine neuen Materialien entdecken können“, fügt Siemenn hinzu.
Das Modell verwendet dieses Domänenwissen, um die optimalen Punkte zu bestimmen, für die die Sonde basierend auf der Type der Probe und ihrer Materialzusammensetzung in Kontakt tritt. Diese Kontaktpunkte werden in einen Pfadplaner eingespeist, der die effizienteste Möglichkeit für die Sonde findet, alle Punkte zu erreichen.
Die Anpassungsfähigkeit dieses maschinellen Lernansatzes ist besonders wichtig, da die gedruckten Proben einzigartige Formen haben, von kreisförmigen Tropfen bis hin zu jellybeanähnlichen Strukturen.
„Es ist quick so, als würde man Schneeflocken messen – es ist schwierig, zwei identische zu bekommen“, sagt Buonassisi.
Sobald der Pfadplaner den kürzesten Weg gefunden hat, sendet er Signale an die Motoren des Roboters, die die Sonde manipulieren und an jedem Kontaktpunkt in schneller Folge Messungen durchführen.
Der Schlüssel zur Geschwindigkeit dieses Ansatzes ist die selbstüberwachende Natur des neuronalen Netzwerkmodells. Das Modell bestimmt optimale Kontaktpunkte direkt auf einem Beispielbild – ohne dass markierte Trainingsdaten erforderlich sind.
Die Forscher beschleunigten das System auch, indem sie das Pfadplanungsverfahren verbessern. Sie fanden heraus, dass das Hinzufügen einer kleinen Menge an Rauschen oder Zufälligkeit zum Algorithmus den kürzesten Weg fand.
„Wenn wir in diesem Zeitalter autonomer Labors voranschreiten, brauchen Sie wirklich alle drei Fachkenntnisse – Hardwareaufbau, Software program und ein Verständnis der Materialwissenschaft -, um sich in dasselbe Crew zusammenzubringen, um schnell innovativ zu sein. Und das ist Teil der geheimen Sauce hier“, sagt Buonassisi.
Reiche Daten, schnelle Ergebnisse
Sobald sie das System von Grund auf aufgebaut hatten, testeten die Forscher jede Komponente. Ihre Ergebnisse zeigten, dass das neuronale Netzwerkmodell bessere Kontaktpunkte mit weniger Berechnungszeit als sieben andere KI-basierte Methoden fand. Darüber hinaus fand der Pfadplanungsalgorithmus konsequent kürzere Pfadpläne als andere Methoden.
Wenn sie alle Teile zusammenstellen, um ein 24-Stunden-vollständig autonomer Experiment durchzuführen, führte das Robotersystem mehr als 3.000 einzigartige Photokontanzmessungen mit einer Geschwindigkeit von mehr als 125 professional Stunde durch.
Darüber hinaus ermöglichte der Detailniveau, das durch diesen genauen Messansatz bereitgestellt wurde, den Forschern Hotspots mit höherer Photokonduktanz sowie Bereiche des Materialverschlusses.
„So sammeln Sie in der Lage, solche reichhaltigen Daten zu sammeln, die mit so schnellen Raten erfasst werden können.
Die Forscher möchten weiterhin auf diesem Robotersystem aufbauen, um ein vollständig autonomes Labor für die Entdeckung von Materialien zu schaffen.
Diese Arbeit wird teilweise durch First Photo voltaic, Eni durch die MIT Power Initiative, MathWorks, das Beschleunigungskonsortium der Universität Toronto, das US -amerikanische Energieministerium und die US Nationwide Science Basis unterstützt.