AI驱动的机器人加速半导体研发，实现绿色能源

科学家们正在寻求可能提高太阳能电池和其他小工具效率的新型半导体材料。然而，科学家手动监测关键材料特性的速度是创新的障碍。得益于麻省理工学院研究人员创建的完全自主机器人系统，事情可能会发展得更快。该研究发表在《科学进展》上。

他们的技术利用机器人探针来评估光电导率，这是一种重要的电学特性，决定了材料对光的接受程度。

研究人员将人类专家在材料科学领域的知识纳入机器学习模型，以指导机器人的决策。这允许机器人选择与探针接触材料的最佳位置，以获得有关其光电导的大部分信息，同时独特的规划方法确定接触点之间的最快路径。

在 24 小时测试期间，完全自主的机器人探针每小时获取超过 125 次独特的测量数据，表现出比现有基于人工智能的技术更高的精度和可靠性。

这项技术可能会大大加快科学家分析新型半导体材料关键特性的速度，从而刺激更高效的太阳能电池板的开发。

我发现这篇论文非常令人兴奋，因为它为自主的、基于接触的表征方法提供了一条途径。并非材料的每个重要特性都可以用非接触式方式测量。如果您需要与样品接触，您希望它快速，并且您希望最大限度地获得信息量。

Tonio Buonassisi，研究资深作者、麻省理工学院教授

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

建立联系

自 2018 年以来，Buonassisi 实验室的研究人员一直在开发一个完全自主的材料发现实验室。他们最近的重点是寻找新的钙钛矿，这是一种用于太阳能电池板等光伏的半导体。

在以前的工作中，他们建立了快速合成和打印钙钛矿材料新组合的方法。他们还开发了基于成像的方法来确定关键材料特性。

然而，确定光电导率的最精确方法是在材料上放置一个探针，用灯照射它，然后测量电反应。

为了让我们的实验实验室尽可能快速准确地运行，我们必须想出一种解决方案，既能产生最佳测量结果，又能最大限度地减少运行整个过程所需的时间。

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

这需要将机器学习、机器人技术和材料科学结合到一个自治系统中。

首先，机器人的机载摄像头捕捉到载玻片的图像，上面写有钙钛矿材料。

然后使用计算机视觉对图像进行分割，并输入到神经网络模型中，该模型是专门为结合化学家和材料科学家的领域专业知识而创建的。

“这些机器人可以提高我们运营的可重复性和精度，但重要的是仍然有人参与其中。如果我们没有一个好的方法将这些化学专家的丰富知识应用到我们的机器人中，我们将无法发现新材料，“Siemenn 补充道。

该模型应用这些领域知识，根据样品的形状和材料成分找到探针接触的最佳位置。这些接触点被发送到路径规划器中，该规划器计算出探头到达所有点的最有效路线。

考虑到打印样品的形状不同，从圆形液滴到软糖状结构，这种机器学习方法的多功能性尤为重要。

“这几乎就像测量雪花——很难得到两片雪花，”Buonassisi 说。

在确定最短路径后，路径规划器将信号发送到机器人的电机，电机纵探头并在每个接触点快速连续地进行测量。

神经网络模型的自我监督性质对该方法的速度至关重要。该方法可立即在样本图像上识别理想的接触点，无需标记训练数据。

研究人员还通过改进路径规划过程来加快系统速度。他们发现，在算法中添加一点噪声或不可预测性可以提高算法定位最短路径的能力。

“随着我们在这个自主实验室时代的进步，您确实需要将这三项专业知识（硬件构建、软件和对材料科学的理解）整合到同一个团队中，以便能够快速创新。这是这里秘密酱汁的一部分，“Buonassisi 补充道。

丰富的数据，快速的结果

在从头开始构建系统后，研究人员测试了每个组件。他们的发现表明，与其他七种基于 AI 的方法相比，神经网络模型以更少的计算时间识别了更多的接触位置。此外，路径规划算法始终产生比以前的方法更短的路径计划。

当他们将所有组件放在一起进行 24 小时完全自主实验时，机器人系统以每小时超过 125 次的速度进行了 3,000 多次不同的光电导测量。

此外，这种精确测量技术提供的细节程度使研究人员能够发现具有更大光电导性的热点和材料劣化的区域。

Siemenn 表示：“能够收集如此丰富的数据，并且可以以如此快的速度捕获，而无需人工指导，这为发现和开发新的高性能半导体打开了大门，尤其是对于太阳能电池板等可持续性应用。

研究人员打算继续开发这个机器人系统，因为他们试图建造一个完全自主的材料发现实验室。

这项研究部分由 First Solar、Eni 通过 MIT Energy Initiative、MathWorks、多伦多大学加速联盟、美国能源部和美国国家科学基金会资助。