新電腦視覺方法有助加快電子材料篩選速度
一種新的技術能夠以比傳統方法快85倍的速度來表徵材料的電子特性。
作者:Jennifer Chu | MIT News
發佈日期:2024年6月11日
為了提高太陽能電池、晶體管、LED和電池的性能,我們需要使用由尚未發現的新組合成分製成的更好的電子材料。
為了加快尋找先進功能材料的速度,科學家們正在使用人工智能工具從數以百萬計的化學配方中識別出有前景的材料。與此同時,工程師們正在建造可以根據人工智能搜索算法標記的化學組成同時打印數百種材料樣本的機器。
但是,迄今為止,還沒有類似快速的方法來確認這些打印的材料是否真的符合預期。這是先進材料篩選流程中的一個主要瓶頸。
現在,麻省理工學院的工程師們開發了一種新的電腦視覺技術,大大加快了新合成電子材料的表徵速度。該技術能自動分析打印的半導體樣本圖像,並快速估算每個樣本的兩個關鍵電子特性:能隙(電子激活能量的度量)和穩定性(壽命的度量)。
這項新技術的速度比標準基準方法快85倍。
研究人員打算使用該技術來加快尋找有前景的太陽能電池材料的進程。他們還計劃將該技術納入一個完全自動化的材料篩選系統中。
麻省理工學院研究生Eunice Aissi說:「我們最終想將這項技術融入未來的自動化實驗室中。整個系統將允許我們給計算機一個材料問題,讓它預測潛在的化合物,然後全天候運行,製造和表徵這些預測的材料,直到達到預期的解決方案。」
麻省理工學院研究生Alexander (Aleks) Siemenn補充道:「這些技術的應用範圍從改善太陽能到透明電子產品和晶體管,涵蓋了半導體材料能夠為社會帶來利益的所有領域。」
Aissi和Siemenn在今天發表於《自然通訊》的研究中詳細介紹了這項新技術。他們的麻省理工學院合著者包括研究生Fang Sheng、博士後Basita Das和機械工程教授Tonio Buonassisi,以及來自楚庫羅瓦大學的前訪問教授Hamide Kavak和來自阿爾托大學的訪問博士後Armi Tiihonen。
光學的力量
一旦合成出新的電子材料,通常會由「領域專家」來使用一種叫做UV-Vis的台式工具逐一檢查樣品,這種工具通過掃描不同顏色的光來確定半導體何時開始更強地吸收光。這個手動過程雖然精確,但也非常耗時:一個領域專家通常每小時只能表徵大約20個材料樣品,這與一些每小時可以打印1萬種不同材料組合的打印工具相比,簡直是龜速。
Buonassisi說:「手動表徵過程非常慢。它們在測量中的信心度很高,但與現如今你可以在基板上放置材料的速度不匹配。」
為了加快表徵過程並清除材料篩選中最大的瓶頸之一,Buonassisi和他的同事們轉向了電腦視覺——一個應用計算機算法快速自動分析圖像中光學特徵的領域。
Buonassisi指出:「光學表徵方法有力量。你可以非常快速地獲取信息。圖像中有豐富的像素和波長信息,這些是人類無法處理的,但計算機機器學習程序可以。」
研究團隊意識到,如果捕捉到足夠詳細的信息,並正確解釋這些信息,某些電子特性——即能隙和穩定性——可以僅基於視覺信息來估算。
有了這個目標,研究人員開發了兩種新的電腦視覺算法來自動解釋電子材料的圖像:一種用來估算能隙,另一種用來確定穩定性。
第一種算法設計用來處理來自高詳細度、高光譜圖像的視覺數據。
Siemenn解釋道:「與只有三個通道——紅、綠、藍(RGB)的標準相機圖像相比,高光譜圖像有300個通道。算法將這些數據轉化並計算能隙。我們非常快速地運行這個過程。」
第二種算法分析標準RGB圖像,並根據材料顏色隨時間變化的視覺變化來評估材料的穩定性。
Aissi說:「我們發現顏色變化可以很好地代表我們正在研究的材料系統中的降解速率。」
材料組成
研究團隊應用這兩種新算法來表徵大約70個打印的半導體樣本的能隙和穩定性。他們使用一個機器人打印機將樣本沉積在一個滑片上,就像在烤盤上放置餅乾一樣。每個沉積都是用稍微不同的半導體材料組合製成的。在這種情況下,團隊打印了不同比例的鈣鈦礦——一種預計將成為有前景的太陽能電池候選材料,但也已知容易迅速降解的材料。
Buonassisi說:「人們正在嘗試改變組成——加一點這個,加一點那個——以試圖讓鈣鈦礦更穩定和高效。」
一旦他們在一個滑片上打印了70種不同組成的鈣鈦礦樣本,團隊使用高光譜相機掃描了滑片。然後他們應用一種算法來視覺上「分割」圖像,自動將樣本從背景中分離出來。他們在隔離的樣本上運行新的能隙算法,並自動計算每個樣本的能隙。整個能隙提取過程大約花了六分鐘。
Siemenn說:「通常情況下,領域專家手動表徵相同數量的樣本需要幾天時間。」
為了測試穩定性,團隊將同一滑片放置在一個腔室中,在那裡他們改變環境條件,如濕度、溫度和光照。他們使用標準RGB相機每30秒拍攝一次樣本的圖像,持續兩小時。然後他們將第二種算法應用於每個樣本隨時間變化的圖像,以估算每個樣本在不同環境條件下顏色變化或降解的程度。最終,算法生成了一個「穩定性指數」,即每個樣本耐久性的度量。
作為檢查,團隊將他們的結果與領域專家手動測量的相同樣本進行了比較。與專家的基準估算相比,團隊的能隙和穩定性結果分別達到了98.5%和96.9%的準確度,並且速度快了85倍。
Siemenn說:「我們不斷對這些算法不僅能提高表徵速度,還能獲得準確結果感到震驚。我們確實設想將這個技術插入我們在實驗室中開發的當前自動化材料管道中,這樣我們可以以完全自動化的方式運行它,使用機器學習來指導我們想在哪裡發現這些新材料,打印它們,然後實際表徵它們,所有這一切都以非常快速的處理速度進行。」
這項工作部分由First Solar資助。
編輯評論:
這篇文章展示了麻省理工學院的研究人員如何利用電腦視覺技術來加快電子材料的篩選和表徵過程。這種方法不僅能顯著提高速度,還能保持高準確度,這對於材料科學領域來說是一個重要的突破。考慮到全球對更高效、更穩定的太陽能電池和其他電子設備的需求不斷增加,這項技術的應用前景非常廣闊。
然而,這項技術的應用是否會面臨一些挑戰,例如在不同環境條件下的穩定性和可重複性,仍然需要進一步驗證。此外,如何將這些先進技術從實驗室推廣到工業生產也是一個值得關注的問題。總體來說,這項研究為未來的材料科學研究和應用提供了新的思路和方法。
以上文章由特價GPT API KEY所翻譯