Los científicos se esfuerzan por descubrir nuevos materiales semiconductores que podrían aumentar la eficiencia de las células solares y otros electrónicos. Pero el ritmo de la innovación se ve en cuello de botella por la velocidad a la que los investigadores pueden medir manualmente propiedades importantes del material.
Un sistema robótico totalmente autónomo desarrollado por los investigadores del MIT podría acelerar las cosas.
Su sistema utiliza una sonda robótica para medir una propiedad eléctrica importante conocida como fotoconductancia, que es la forma en que un material de respuesta eléctricamente es para la presencia de la luz.
Los investigadores inyectan conocimiento de dominio de la ciencia de materiales de expertos humanos en el modelo de aprendizaje automático que guía la toma de decisiones del robot. Esto permite al robot identificar los mejores lugares para contactar a un material con la sonda para obtener la mayor información sobre su fotoconductancia, mientras que un procedimiento de planificación especializado encuentra la forma más rápida de moverse entre los puntos de contacto.
Durante una prueba de 24 horas, la sonda robótica totalmente autónoma tomó más de 125 medidas únicas por hora, con más precisión y confiabilidad que otros métodos basados en la inteligencia artificial.
Al aumentar drásticamente la velocidad a la que los científicos pueden caracterizar propiedades importantes de los nuevos materiales semiconductores, este método podría estimular el desarrollo de paneles solares que producen más electricidad.
«Encuentro que este documento es increíblemente emocionante porque proporciona una vía para los métodos de caracterización autónomos basados en el contacto. No todas las propiedades importantes de un material pueden medirse de manera sin contacto. Si necesita ponerse en contacto con su muestra, desea que sea rápido y desea maximizar la cantidad de información que obtiene, TonoSassisi, Profesor de Ingeniería Mecánica y Autor Senior de un documento en el Sistema Autónomo.
Sus coautores incluyen al autor principal Alexander (Aleks) Siemenn, un estudiante graduado; Postdocs Basita Das y Kangyu Ji; y alumno graduado Fang Sheng. El trabajo aparece hoy en Avances científicos.
Hacer contacto
Desde 2018, los investigadores en el laboratorio de Buonassis han estado trabajando hacia un laboratorio de descubrimiento de materiales totalmente autónomos. Recientemente se han centrado en descubrir nuevas perovskitas, que son una clase de materiales semiconductores utilizados en fotovoltaicos como paneles solares.
En trabajos anteriores, desarrollaron técnicas para sintetizar e imprimir rápidamente combinaciones únicas de material de perovskita. También diseñaron métodos basados en imágenes para determinar algunas propiedades importantes del material.
Pero la fotoconductancia se caracteriza con mayor precisión colocando una sonda en el material, brillando una luz y midiendo la respuesta eléctrica.
«Para permitir que nuestro laboratorio experimental funcione de la manera más rápida y precisa posible, tuvimos que encontrar una solución que produzca las mejores medidas mientras minimiza el tiempo que lleva ejecutar todo el procedimiento», dice Siemenn.
Hacerlo requirió la integración del aprendizaje automático, la robótica y la ciencia de los materiales en un sistema autónomo.
Para comenzar, el sistema robótico utiliza su cámara a bordo para tomar una imagen de una diapositiva con material de perovskite impreso en él.
Luego utiliza la visión por computadora para cortar esa imagen en segmentos, que se alimentan en un modelo de red neuronal que ha sido especialmente diseñado para incorporar la experiencia de dominio de los químicos y los científicos de materiales.
«Estos robots pueden mejorar la repetibilidad y la precisión de nuestras operaciones, pero es importante aún tener un humano en el ciclo. Si no tenemos una buena manera de implementar el rico conocimiento de estos expertos químicos en nuestros robots, no podremos descubrir nuevos materiales», agrega Siemenn.
El modelo utiliza este conocimiento de dominio para determinar los puntos óptimos para la sonda de contacto en función de la forma de la muestra y su composición del material. Estos puntos de contacto se alimentan a un planificador de ruta que encuentra la forma más eficiente para que la sonda alcance todos los puntos.
La adaptabilidad de este enfoque de aprendizaje automático es especialmente importante porque las muestras impresas tienen formas únicas, desde gotas circulares hasta estructuras de forma de gelatina.
«Es casi como medir los copos de nieve, es difícil obtener dos idénticos», dice Buonassis.
Una vez que el planificador de ruta encuentra la ruta más corta, envía señales a los motores del robot, que manipulan la sonda y toman medidas en cada punto de contacto en rápida sucesión.
La clave de la velocidad de este enfoque es la naturaleza auto-supervisada del modelo de red neuronal. El modelo determina los puntos de contacto óptimos directamente en una imagen de muestra, sin la necesidad de datos de entrenamiento etiquetados.
Los investigadores también aceleraron el sistema al mejorar el procedimiento de planificación de la ruta. Descubrieron que agregar una pequeña cantidad de ruido, o aleatoriedad, al algoritmo lo ayudó a encontrar el camino más corto.
«A medida que avanzamos en esta era de los laboratorios autónomos, realmente necesita la tres experiencia (construcción de hardware, software y una comprensión de la ciencia de los materiales, uniéndose al mismo equipo para poder innovar rápidamente. Y eso es parte de la salsa secreta aquí», dice Buonassisi.
Datos ricos, resultados rápidos
Una vez que habían construido el sistema desde cero, los investigadores probaron cada componente. Sus resultados mostraron que el modelo de red neuronal encontró mejores puntos de contacto con menos tiempo de cálculo que otros siete métodos basados en IA. Además, el algoritmo de planificación de ruta encontró constantemente planes de ruta más cortos que otros métodos.
Cuando juntan todas las piezas para realizar un experimento totalmente autónomo de 24 horas, el sistema robótico realizó más de 3.000 mediciones de fotoconductancia únicas a una velocidad superior a 125 por hora.
Además, el nivel de detalle proporcionado por este enfoque de medición preciso permitió a los investigadores identificar puntos de acceso con una mayor fotoconductancia, así como áreas de degradación del material.
«Ser capaz de recopilar datos tan ricos que puedan capturarse a tasas tan rápidas, sin la necesidad de orientación humana, comienza a abrir puertas para poder descubrir y desarrollar nuevos semiconductores de alto rendimiento, especialmente para aplicaciones de sostenibilidad como paneles solares», dice Siemenn.
Los investigadores quieren continuar basándose en este sistema robótico a medida que se esfuerzan por crear un laboratorio totalmente autónomo para el descubrimiento de materiales.
Este trabajo es apoyado, en parte, por First Solar, eni a través de la Iniciativa MIT Energy, MathWorks, el Consorcio de Aceleración de la Universidad de Toronto, el Departamento de Energía de los Estados Unidos y la Fundación Nacional de Ciencias de los Estados Unidos.
