Mejorar la eficiencia de las células solares, los transistores, los LED y las baterías requerirá mejores materiales electrónicos, elaborados a partir de nuevas composiciones aún por descubrir.
Para acelerar la búsqueda de materiales funcionales innovadores, los científicos están utilizando herramientas de inteligencia artificial para identificar materiales prometedores a partir de millones de formulaciones químicas. Al mismo tiempo, los ingenieros están construyendo máquinas que pueden imprimir cientos de muestras de materiales a la vez basándose en compuestos químicos etiquetados por un algoritmo de búsqueda de IA.
Pero hasta la fecha, no existe una manera rápida de verificar que este material impreso realmente funcione como se esperaba. Esta etapa final de caracterización de materiales ha sido un importante cuello de botella en el proceso de selección de materiales modernos.
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 de semiconductores 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 valida el contenido electrónico 85 veces más rápido que el enfoque de referencia estándar.
Los investigadores planean utilizar esta técnica para acelerar la búsqueda de materiales para células solares inteligentes. También planean incorporar esta técnica a un sistema de detección de materiales totalmente automatizado.
“En última instancia, imaginamos adaptar esta técnica a un laboratorio autónomo del futuro”, dice el estudiante graduado del MIT Yunus Essie. “Todo el sistema nos permite presentarle a la computadora un problema de material, hacer que prediga posibles compuestos y luego ejecutarlo las 24 horas del día, los 7 días de la semana y caracterizar esos materiales predichos hasta llegar a la solución deseada”.
“Las aplicaciones de estas técnicas van desde la optimización de la energía solar hasta la electrónica transparente y los transistores”, añadió el estudiante graduado del MIT Alexander (Alex) Simen. “Realmente abarca todo el espectro de dónde los materiales semiconductores pueden beneficiar a la sociedad”.
Aissi y Siemenn describen la nueva técnica en un estudio que aparecerá en Comunicaciones de la naturaleza. Sus coautores del MIT incluyen al estudiante de posgrado Feng Sheng, al postdoctorado Basita Das y al profesor de ingeniería mecánica Tonio Bonassici, junto con el ex profesor visitante de la Universidad Kokurova Hamid Kavak y el postdoctorado de la Universidad Aalto Ermi Tihonen.
Poder en óptica
Una vez que se sintetiza un nuevo material electrónico, sus propiedades generalmente son manejadas por un “experto en el campo” que examina una muestra a la vez en un proceso conocido como UV-Vis, que escanea diferentes colores de luz para determinar hacia dónde tiende el semiconductor. absorber con mayor 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 ritmo muy lento en comparación con algunas herramientas de impresión que pueden manejar 10.000 combinaciones de materiales diferentes por hora.
“Los procesos de caracterización manual son muy lentos”, afirma Buonassi. “Dan mucha confianza en la medición, pero no igualan la velocidad a la que se puede colocar material sobre un sustrato hoy en día”.
Para acelerar el proceso de caracterización y superar uno de los mayores obstáculos en la selección de contenidos, Bonassi y sus colegas recurrieron a la visión por computadora, un campo que utiliza algoritmos informáticos para identificar rápida y automáticamente una imagen que aplico para analizar propiedades ópticas.
“Los métodos de caracterización óptica tienen su poder”, señala Buonasci. “Se puede obtener información muy rápidamente. Las imágenes contienen mucho más que muchos píxeles y longitudes de onda, que un ser humano simplemente no puede procesar, pero un programa de aprendizaje automático sí puede”.
El equipo descubrió que ciertas propiedades electrónicas, concretamente la banda prohibida y la estabilidad, podían predecirse basándose únicamente en información visual, si esa información se capturaba con suficiente detalle y se interpretaba correctamente.
Con este 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), una imagen hiperespectral tiene 300 canales”, explica Seaman. “El algoritmo toma esos datos, los transforma y calcula una banda prohibida. Hacemos que el proceso sea muy rápido”.
El segundo algoritmo analiza imágenes RGB estándar y estima la estabilidad del contenido en función de los cambios visuales en el color del contenido 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.
Recetas de contenido.
El equipo aplicó dos nuevos algoritmos para caracterizar la banda prohibida y la estabilidad de aproximadamente 70 muestras de semiconductores 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 -añadir un poco de esto, un poco de aquello- para tratar de hacer (las perovskitas) más estables y más eficientes”, dice Buonassi.
Una vez que imprimieron 70 composiciones diferentes de patrones de perovskita en una sola diapositiva, el equipo escaneó la diapositiva con una cámara hiperespectral. Luego aplicaron un algoritmo que “clasifica” visualmente la imagen, separando automáticamente los patrones del fondo. Ejecutaron el nuevo algoritmo de banda prohibida en muestras aisladas y calcularon automáticamente la banda prohibida para cada muestra. Todo el proceso de extracción de banda prohibida duró unos seis minutos.
“Por lo general, a un experto en el campo le lleva varios días caracterizar manualmente el mismo número de muestras”, dice Seaman.
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 fotografiar las muestras cada 30 segundos durante dos horas. Luego aplicaron otro algoritmo a las imágenes de cada muestra a lo largo del tiempo para estimar cuánto cambiaba de color o se degradaba cada gota en diferentes condiciones ambientales. Finalmente, el algoritmo produjo un “índice de sostenibilidad”, 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 de los expertos, los resultados de estabilidad y banda prohibida del equipo fueron 98,5 por ciento y 96,9 por ciento precisos, respectivamente, y 85 veces más rápidos.
“Nos sorprendió continuamente que estos algoritmos fueran capaces no sólo de aumentar la velocidad de caracterización, sino también de lograr resultados precisos”, dice Seeman. “Prevemos esta ubicación en un canal de contenido automatizado existente que estamos desarrollando en el laboratorio, para que podamos ejecutarlo de forma totalmente automatizada, utilizando el aprendizaje automático para guiarnos sobre cómo descubrir estos nuevos materiales, imprimirlos y luego realmente los caracterizan, todo ello con un procesamiento muy rápido”.
Este trabajo fue apoyado en parte por FirstSolar.
