Para aumentar el rendimiento de las células solares, los transistores, los LED y las baterías se necesitarán mejores materiales electrónicos, elaborados a partir de composiciones novedosas que aún están por descubrir.
Para acelerar la búsqueda de materiales funcionales avanzados, los científicos están utilizando herramientas de inteligencia artificial para identificar materiales prometedores a partir de cientos de millones de formulaciones químicas. Al mismo tiempo, los ingenieros están construyendo máquinas que pueden imprimir cientos de muestras de materiales a la vez en función de composiciones químicas etiquetadas por algoritmos de búsqueda de IA.
Pero hasta la fecha, no ha habido una forma igualmente rápida de confirmar que estos materiales impresos realmente funcionen como se esperaba. Este último paso de la caracterización del material ha sido un importante cuello de botella en el proceso de detección de materiales avanzados.
Ahora, una nueva técnica de visión por computadora desarrollada por ingenieros del MIT acelera significativamente la caracterización de materiales electrónicos recientemente sintetizados. La técnica analiza automáticamente imágenes de muestras semiconductoras impresas y estima rápidamente dos propiedades electrónicas clave para cada muestra: banda prohibida (una medida de la energía de activación de electrones) y estabilidad (una medida de la longevidad).
La nueva técnica caracteriza con precisión materiales electrónicos 85 veces más rápido en comparación con el enfoque de referencia estándar.
Los investigadores pretenden utilizar la técnica para acelerar la búsqueda de materiales prometedores para las células solares. También planean incorporar la técnica a un sistema de detección de materiales totalmente automatizado.
«En última instancia, imaginamos adaptar esta técnica a un laboratorio autónomo del futuro», dice la estudiante graduada del MIT Eunice Aissi. «Todo el sistema nos permitiría darle a una computadora un problema de materiales, hacer que prediga compuestos potenciales y luego funcionar las 24 horas del día, los 7 días de la semana, fabricando y caracterizando esos materiales predichos hasta llegar a la solución deseada».
«El campo de aplicación de estas técnicas abarca desde la mejora de la energía solar hasta la electrónica transparente y los transistores», añade el estudiante graduado del MIT Alexander (Aleks) Siemenn. «Realmente abarca toda la gama de aspectos en los que los materiales semiconductores pueden beneficiar a la sociedad».
Aissi y Siemenn detallan la nueva técnica en un estudio que aparece hoy en Comunicaciones de la naturaleza. Sus coautores del MIT incluyen al estudiante de posgrado Fang Sheng, al postdoctorado Basita Das y al profesor de ingeniería mecánica Tonio Buonassisi, junto con el ex profesor visitante Hamide Kavak de la Universidad de Cukurova y el postdoctorado visitante Armi Tiihonen de la Universidad de Aalto.
Poder en óptica
Una vez que se sintetiza un nuevo material electrónico, la caracterización de sus propiedades generalmente la realiza un “experto en el campo” que examina una muestra a la vez utilizando una herramienta de mesa llamada UV-Vis, que escanea diferentes colores de luz para determinar dónde se encuentra el material electrónico. El semiconductor comienza a absorber con más fuerza. Este proceso manual es preciso pero también requiere mucho tiempo: un experto en el campo suele caracterizar unas 20 muestras de material por hora, un paso de tortuga en comparación con algunas herramientas de impresión que pueden establecer 10.000 combinaciones de materiales diferentes por hora.
«El proceso de caracterización manual es muy lento», afirma Buonassisi. «Ofrecen una gran confianza en la medición, pero no se corresponden con la velocidad a la que se puede depositar materia sobre un sustrato hoy en día».
Para acelerar el proceso de caracterización y eliminar uno de los mayores obstáculos en la detección de materiales, Buonassisi y sus colegas recurrieron a la visión por computadora, un campo que aplica algoritmos informáticos para analizar rápida y automáticamente las características ópticas de una imagen.
«Los métodos de caracterización óptica tienen poder», señala Buonassisi. “Puedes obtener información muy rápidamente. Hay una riqueza en las imágenes, en muchos píxeles y longitudes de onda, que un ser humano simplemente no puede procesar, pero un programa de aprendizaje automático sí puede».
El equipo se dio cuenta de que ciertas propiedades electrónicas (a saber, la banda prohibida y la estabilidad) podían estimarse basándose únicamente en información visual, si esa información se capturaba con suficiente detalle y se interpretaba correctamente.
Con ese objetivo en mente, los investigadores desarrollaron dos nuevos algoritmos de visión por computadora para interpretar automáticamente imágenes de materiales electrónicos: uno para estimar la banda prohibida y el otro para determinar la estabilidad.
El primer algoritmo está diseñado para procesar datos visuales a partir de imágenes hiperespectrales muy detalladas.
«En lugar de una imagen de cámara estándar con tres canales (rojo, verde y azul (RBG), la imagen hiperespectral tiene 300 canales», explica Siemenn. “El algoritmo toma esos datos, los transforma y calcula una banda prohibida. Realizamos ese proceso extremadamente rápido”.
El segundo algoritmo analiza imágenes RGB estándar y evalúa la estabilidad de un material basándose en cambios visuales en el color del material a lo largo del tiempo.
«Descubrimos que el cambio de color puede ser un buen indicador de la tasa de degradación en el sistema material que estamos estudiando», dice Aissi.
Composiciones de materiales
El equipo aplicó los dos nuevos algoritmos para caracterizar la banda prohibida y la estabilidad de unas 70 muestras semiconductoras impresas. Utilizaron una impresora robótica para depositar muestras en un solo portaobjetos, como galletas en una bandeja para hornear. Cada depósito se realizó con una combinación ligeramente diferente de materiales semiconductores. En este caso, el equipo imprimió diferentes proporciones de perovskitas, un tipo de material que se espera que sea un candidato prometedor a célula solar, aunque también se sabe que se degrada rápidamente.
“La gente está tratando de cambiar la composición, agregar un poco de esto, un poco de aquello, para tratar de hacer [perovskites] más estable y de alto rendimiento”, dice Buonassisi.
Una vez que imprimieron 70 composiciones diferentes de muestras de perovskita en un solo portaobjetos, el equipo escaneó el portaobjetos con una cámara hiperespectral. Luego aplicaron un algoritmo que “segmenta” visualmente la imagen, aislando automáticamente las muestras del fondo. Ejecutaron el nuevo algoritmo de banda prohibida en las muestras aisladas y calcularon automáticamente la banda prohibida para cada muestra. Todo el proceso de extracción de la banda prohibida tomó unos seis minutos.
«Normalmente, un experto en el campo tardaría varios días en caracterizar manualmente el mismo número de muestras», afirma Siemenn.
Para probar la estabilidad, el equipo colocó el mismo portaobjetos en una cámara en la que variaron las condiciones ambientales, como la humedad, la temperatura y la exposición a la luz. Utilizaron una cámara RGB estándar para tomar una imagen de las muestras cada 30 segundos durante dos horas. Luego aplicaron el segundo algoritmo a las imágenes de cada muestra a lo largo del tiempo para estimar el grado en que cada gota cambió de color o se degradó en diversas condiciones ambientales. Al final, el algoritmo produjo un «índice de estabilidad», o una medida de la durabilidad de cada muestra.
A modo de comprobación, el equipo comparó sus resultados con mediciones manuales de las mismas gotas, tomadas por un experto en el campo. En comparación con las estimaciones de referencia del experto, los resultados de estabilidad y banda prohibida del equipo fueron 98,5 por ciento y 96,9 por ciento de precisión, respectivamente, y 85 veces más rápidos.
«Nos sorprendía constantemente cómo estos algoritmos eran capaces no sólo de aumentar la velocidad de caracterización, sino también de obtener resultados precisos», dice Siemenn. «Prevemos esta ubicación en el actual proceso de materiales automatizados que estamos desarrollando en el laboratorio, para que podamos ejecutarlo de forma totalmente automatizada, utilizando el aprendizaje automático para guiarnos hacia dónde queremos descubrir estos nuevos materiales, imprimiéndolos y luego realmente caracterizándolos, todo con un procesamiento muy rápido”.
Este trabajo fue apoyado, en parte, por First Solar.
