روش جدید بینایی کامپیوتری به تسریع غربالگری مواد الکترونیکی کمک می کند

برای سرعت بخشیدن به جستجوی مواد کاربردی پیشرفته، دانشمندان از ابزارهای هوش مصنوعی برای شناسایی مواد امیدوارکننده از صدها میلیون فرمول شیمیایی استفاده می کنند. در کنار هم، مهندسان در حال ساخت ماشین هایی هستند که می توانند صدها نمونه مواد را در یک زمان بر اساس ترکیبات شیمیایی برچسب گذاری شده توسط الگوریتم های جستجوی هوش مصنوعی چاپ کنند.

اما تا به امروز، هیچ راه سریع مشابهی برای تأیید اینکه این مواد چاپی واقعاً مطابق انتظار عمل می کنند وجود ندارد. این آخرین مرحله از شناسایی مواد، یک گلوگاه بزرگ در خط لوله غربالگری مواد پیشرفته بوده است.

در حال حاضر، یک تکنیک بینایی کامپیوتری جدید توسعه یافته توسط مهندسان MIT به طور قابل توجهی سرعت بخشیدن به مشخصات مواد الکترونیکی جدید سنتز شده را افزایش می دهد. این تکنیک به طور خودکار تصاویر نمونه های نیمه هادی چاپ شده را تجزیه و تحلیل می کند و به سرعت دو ویژگی کلیدی الکترونیکی را برای هر نمونه تخمین می زند: فاصله باند (معیار انرژی فعال شدن الکترون) و پایداری (معیار طول عمر).

تکنیک جدید مواد الکترونیکی را 85 برابر سریع تر در مقایسه با رویکرد معیار استاندارد مشخص می کند.

محققان قصد دارند از این تکنیک برای سرعت بخشیدن به جستجوی مواد سلول خورشیدی امیدوارکننده استفاده کنند. آنها همچنین قصد دارند این تکنیک را در یک سیستم کاملاً خودکار غربالگری مواد بگنجانند.

یونیس آیسی، دانشجوی فارغ التحصیل MIT می گوید: «در نهایت، ما تصور می کنیم که این تکنیک را در یک آزمایشگاه مستقل آینده نصب کنیم. کل سیستم به ما این امکان را می دهد که به یک کامپیوتر یک مسئله مواد بدهیم، ترکیبات بالقوه را پیش بینی کند، و سپس 24-7 آن مواد پیش بینی شده را بسازیم و مشخص کنیم تا به راه حل مورد نظر برسد.

الکساندر (الکس) زیمن، دانشجوی فارغ التحصیل MIT می افزاید: «فضای کاربرد این تکنیک ها از بهبود انرژی خورشیدی تا الکترونیک شفاف و ترانزیستورها را شامل می شود». "این واقعاً طیف کاملی را در بر می گیرد که در آن مواد نیمه هادی می توانند برای جامعه مفید باشند."

آیسی و زیمن تکنیک جدید را در مطالعه ای که در این مقاله ارائه خواهد شد، توضیح می دهند ارتباطات طبیعت. همکاران MIT آنها شامل دانشجوی فارغ التحصیل، فانگ شنگ، فوق دکتری باسیتا داس، و استاد مهندسی مکانیک تونیو بووناسیسی، همراه با استاد مدعو سابق حمیده کاواک از دانشگاه کوکورووا و استاد مدعو، آرمی تیهونن از دانشگاه آلتو هستند.

قدرت در اپتیک

هنگامی که یک ماده الکترونیکی جدید سنتز می شود، توصیف خواص آن معمولاً توسط یک "متخصص حوزه" انجام می شود که یک نمونه را در یک زمان با استفاده از ابزاری به نام UV-Vis بررسی می کند که از طریق رنگ های مختلف نور اسکن می کند تا تعیین کند که کجا نیمه هادی با شدت بیشتری شروع به جذب می کند. این فرآیند دستی دقیق اما زمان بر است: یک متخصص حوزه معمولاً حدود 20 نمونه ماده در ساعت را مشخص می کند - سرعت حلزونی در مقایسه با برخی از ابزارهای چاپ که می توانند 10000 ترکیب مواد مختلف را در ساعت بگذارند.

بوناسیسی می گوید: «فرایند شخصیت پردازی دستی بسیار کند است. آنها اعتماد به نفس بالایی در اندازه گیری به شما می دهند، اما با سرعتی که امروزه می توانید مواد را روی یک بستر قرار دهید، مطابقت ندارند.

بووناسیسی و همکارانش برای سرعت بخشیدن به فرآیند شناسایی و رفع یکی از بزرگترین تنگناها در غربالگری مواد، به بینایی کامپیوتری نگاه کردند - زمینه ای که از الگوریتم های کامپیوتری برای تجزیه و تحلیل سریع و خودکار ویژگی های نوری در یک تصویر استفاده می کند.

بووناسیسی خاطرنشان می کند: «روش های توصیف نوری قدرتی دارند. "شما می توانید اطلاعات را خیلی سریع به دست آورید. تصاویر غنی از پیکسل ها و طول موج های زیادی هستند که انسان نمی تواند آنها را پردازش کند، اما یک برنامه یادگیری ماشین کامپیوتری می تواند."

این تیم متوجه شد که ویژگی های الکترونیکی خاصی - یعنی شکاف باند و پایداری - می توانند تنها بر اساس اطلاعات بصری تخمین زده شوند، اگر این اطلاعات با جزئیات کافی ضبط شده و به درستی تفسیر شوند.

با در نظر گرفتن این هدف، محققان دو الگوریتم دید کامپیوتری جدید را برای تفسیر خودکار تصاویر مواد الکترونیکی توسعه دادند: یکی برای تخمین فاصله باند و دیگری برای تعیین ثبات.

اولین الگوریتم برای پردازش داده های بصری از تصاویر فوق طیفی با جزئیات بسیار طراحی شده است.

زیمن توضیح می دهد: «به جای یک تصویر دوربین استاندارد با سه کانال - قرمز، سبز و آبی (RBG) - تصویر فراطیفی دارای 300 کانال است. "الگوریتم آن داده ها را می گیرد، آنها را تبدیل می کند و یک شکاف باند را محاسبه می کند. ما این فرآیند را بسیار سریع اجرا می کنیم."

الگوریتم دوم تصاویر استاندارد RGB را تجزیه و تحلیل می کند و پایداری یک ماده را بر اساس تغییرات بصری در رنگ ماده در طول زمان ارزیابی می کند.

آیسی می گوید: «ما دریافتیم که تغییر رنگ می تواند نماینده خوبی برای میزان تخریب در سیستم موادی باشد که در حال مطالعه آن هستیم.

ترکیبات مواد

این تیم دو الگوریتم جدید را برای مشخص کردن شکاف باند و پایداری برای حدود 70 نمونه نیمه رسانای چاپی به کار بردند. آنها از یک چاپگر رباتیک برای قرار دادن نمونه ها روی یک اسلاید استفاده کردند، مانند کوکی ها روی یک ورقه پخت. هر رسوب با ترکیب کمی متفاوت از مواد نیمه هادی ساخته شده است. در این مورد، تیم نسبت های متفاوتی از پروسکایت ها را چاپ کرد - نوعی ماده که انتظار می رود یک نامزد سلول خورشیدی امیدوارکننده باشد، اگرچه به سرعت تجزیه می شود.

"مردم سعی می کنند ترکیب را تغییر دهند - کمی از این، کمی از آن را اضافه کنند - تا سعی کنند بسازند. [perovskites] بووناسیسی می گوید: پایدارتر و با عملکرد بالا.

هنگامی که آنها 70 ترکیب مختلف از نمونه های پروسکایت را بر روی یک اسلاید چاپ کردند، تیم اسلاید را با یک دوربین فراطیفی اسکن کردند. سپس آنها الگوریتمی را اعمال کردند که به صورت بصری تصویر را "بخش بندی" می کند و به طور خودکار نمونه ها را از پس زمینه جدا می کند. آنها الگوریتم جدید شکاف باند را روی نمونه های جدا شده اجرا کردند و به طور خودکار شکاف باند را برای هر نمونه محاسبه کردند. کل فرآیند استخراج شکاف باند حدود شش دقیقه طول کشید.

زیمن می گوید: «معمولاً یک متخصص دامنه چندین روز طول می کشد تا به صورت دستی تعداد مشابهی از نمونه ها را مشخص کند.

تیم برای آزمایش پایداری، همان اسلاید را در محفظه ای قرار داد که در آن شرایط محیطی مانند رطوبت، دما و قرار گرفتن در معرض نور را تغییر دادند. آنها از یک دوربین استاندارد RGB برای گرفتن عکس از نمونه ها هر 30 ثانیه در مدت دو ساعت استفاده کردند. سپس الگوریتم دوم را روی تصاویر هر نمونه در طول زمان اعمال کردند تا میزان تغییر رنگ یا تخریب هر قطره در شرایط مختلف محیطی را تخمین بزنند. در پایان، الگوریتم یک «شاخص پایداری» یا معیاری برای دوام هر نمونه تولید کرد.

به عنوان یک بررسی، تیم نتایج خود را با اندازه گیری های دستی همان قطرات، که توسط یک متخصص حوزه گرفته شده بود، مقایسه کرد. در مقایسه با تخمین های معیار کارشناس، نتایج فاصله باند و پایداری تیم به ترتیب 98.5 و 96.9 درصد دقیق تر و 85 برابر سریع تر بود.

زیمن می گوید: «ما دائماً از این که چگونه این الگوریتم ها می توانند نه تنها سرعت شخصیت پردازی را افزایش دهند، بلکه به نتایج دقیق هم دست پیدا کنند، شوکه شدیم. ما این شکاف را در خط لوله مواد خودکار فعلی که در آزمایشگاه توسعه می دهیم تصور می کنیم، بنابراین می توانیم آن را به روشی کاملاً خودکار اجرا کنیم، با استفاده از یادگیری ماشینی برای راهنمایی جایی که می خواهیم این مواد جدید را کشف کنیم، آنها را چاپ کنیم و سپس در واقع آنها را مشخص می کند، همه با پردازش بسیار سریع."

این کار تا حدی توسط First Solar پشتیبانی شد.