Povećanje performansi solarnih ćelija, tranzistora, LED dioda i baterija zahtevaće bolje elektronske materijale, napravljene od novih kompozicija koje tek treba da budu otkrivene.
Da bi ubrzali potragu za naprednim funkcionalnim materijalima, naučnici koriste AI alate da identifikuju obećavajuće materijale iz stotina miliona hemijskih formulacija. U tandemu, inženjeri grade mašine koje mogu da štampaju stotine uzoraka materijala u isto vreme na osnovu hemijskih sastava označenih algoritmima AI pretraživanja.
Ali do danas, nije postojao sličan brz način da se potvrdi da ovi štampani materijali zaista rade kako se očekivalo. Ovaj poslednji korak karakterizacije materijala bio je glavno usko grlo u procesu skrininga naprednih materijala.
Sada, nova tehnika kompjuterskog vida koju su razvili inženjeri MIT-a značajno ubrzava karakterizaciju novosintetizovanih elektronskih materijala. Tehnika automatski analizira slike štampanih poluprovodničkih uzoraka i brzo procenjuje dva ključna elektronska svojstva za svaki uzorak: razmak u pojasu (mera energije aktivacije elektrona) i stabilnost (mera dugovečnosti).
Nova tehnika precizno karakteriše elektronske materijale 85 puta brže u poređenju sa standardnim benchmark pristupom.
Istraživači nameravaju da koriste tehniku kako bi ubrzali potragu za obećavajućim materijalima solarnih ćelija. Takođe planiraju da ugrade tehniku u potpuno automatizovani sistem skrininga materijala.
„Na kraju, zamišljamo da ovu tehniku ugradimo u autonomnu laboratoriju budućnosti“, kaže diplomirani student MIT-a Eunice Aissi. „Ceo sistem bi nam omogućio da kompjuteru damo problem sa materijalima, da predvidimo potencijalna jedinjenja, a zatim da radimo 24-7 da pravimo i karakterišemo te predviđene materijale dok ne dođemo do željenog rešenja.
„Prostor primene ovih tehnika se kreće od poboljšanja solarne energije do transparentne elektronike i tranzistora“, dodaje diplomirani student MIT-a Aleksandar (Aleks) Simen. „To zaista obuhvata punu paletu gde poluprovodnički materijali mogu koristiti društvu.“
Aissi i Siemenn detaljno opisuju novu tehniku u studiji koja se pojavljuje u Nature Communications. Njihovi koautori sa MIT-a su diplomirani student Fang Sheng, postdoktor Basita Das i profesor mašinstva Tonio Buonassisi, zajedno sa bivšim gostujućim profesorom Hamideom Kavakom sa Univerziteta Cukurova i gostujućim postdoktorom Armi Tiihonen sa Univerziteta Aalto.
Kada se sintetiše novi elektronski materijal, karakterizacijom njegovih svojstava obično upravlja „ekspert za domene“ koji ispituje jedan po jedan uzorak koristeći stoni alat koji se zove UV-Vis, koji skenira kroz različite boje svetlosti da bi odredio gde se nalazi poluprovodnik počinje jače da apsorbuje. Ovaj ručni proces je precizan, ali i dugotrajan: stručnjak za domen tipično karakteriše oko 20 uzoraka materijala na sat – brzinom puža u poređenju sa nekim alatima za štampanje koji mogu da odlože 10.000 različitih kombinacija materijala na sat.
„Proces ručne karakterizacije je veoma spor“, kaže Buonassisi. „Oni vam daju veliku količinu poverenja u merenje, ali nisu usklađeni sa brzinom kojom danas možete da spustite materiju na podlogu.“
Da bi ubrzali proces karakterizacije i otklonili jedno od najvećih uskih grla u skriningu materijala, Buonassisi i njegove kolege su se osvrnuli na kompjuterski vid – polje koje primenjuje kompjuterske algoritme za brzu i automatsku analizu optičkih karakteristika na slici.
„Postoji moć u metodama optičke karakterizacije“, napominje Buonassisi. „Možete da dobijete informacije veoma brzo. Postoji bogatstvo slika, preko mnogih piksela i talasnih dužina, koje čovek jednostavno ne može da obradi, ali program za mašinsko učenje računara može.“
Tim je shvatio da se određena elektronska svojstva – naime, jaz u pojasu i stabilnost – mogu proceniti samo na osnovu vizuelnih informacija, ako su te informacije uhvaćene sa dovoljno detalja i ispravno interpretirane.
Imajući taj cilj na umu, istraživači su razvili dva nova algoritma kompjuterskog vida za automatsku interpretaciju slika elektronskih materijala: jedan za procenu jaza u pojasu, a drugi za određivanje stabilnosti.
Prvi algoritam je dizajniran za obradu vizuelnih podataka sa visoko detaljnih hiperspektralnih slika.
„Umesto standardne slike kamere sa tri kanala — crvenim, zelenim i plavim (RBG) — hiperspektralna slika ima 300 kanala“, objašnjava Simen. „Algoritam uzima te podatke, transformiše ih i izračunava jaz u opsegu. Taj proces pokrećemo izuzetno brzo.“
Drugi algoritam analizira standardne RGB slike i procenjuje stabilnost materijala na osnovu vizuelnih promena u boji materijala tokom vremena.
„Otkrili smo da promena boje može biti dobar pokazatelj stope degradacije u materijalnom sistemu koji proučavamo“, kaže Aissi.
