Desarrollado para analizar nuevos semiconductores, el sistema podría agilizar el desarrollo de paneles solares más potentes.
Los científicos se esfuerzan por descubrir nuevos materiales semiconductores que puedan aumentar la eficiencia de las células solares y otros dispositivos electrónicos. Sin embargo, el ritmo de la innovación se ve limitado por la velocidad con la que los investigadores pueden medir manualmente importantes propiedades de los materiales.
Un sistema robótico totalmente autónomo desarrollado por investigadores del MIT podría acelerar las cosas.
Su sistema utiliza una sonda robótica para medir una propiedad eléctrica importante conocida como fotoconductancia, que es la respuesta eléctrica de un material a la presencia de luz.
Los investigadores incorporan conocimientos de expertos humanos en el campo de la ciencia de los materiales al modelo de aprendizaje automático que guía la toma de decisiones del robot. Esto le permite identificar los mejores puntos de contacto entre un material y la sonda para obtener la mayor información posible sobre su fotoconductancia, mientras que un procedimiento de planificación especializado encuentra la manera más rápida de moverse entre los puntos de contacto.
Durante una prueba de 24 horas, la sonda robótica totalmente autónoma tomó más de 125 mediciones únicas por hora, con más precisión y confiabilidad que otros métodos basados en inteligencia artificial.
Al aumentar drásticamente la velocidad con la que los científicos pueden caracterizar propiedades importantes de nuevos materiales semiconductores, este método podría impulsar el desarrollo de paneles solares que produzcan más electricidad.
“Este artículo me parece increíblemente interesante porque ofrece una vía para métodos de caracterización autónomos basados en el contacto. No todas las propiedades importantes de un material pueden medirse sin contacto. Si se necesita establecer contacto con la muestra, se busca que sea rápido y se busca maximizar la cantidad de información obtenida”, afirma Tonio Buonassisi, profesor de ingeniería mecánica y autor principal de un artículo sobre el sistema autónomo.
Entre sus coautores se encuentran el autor principal, Alexander (Aleks) Siemenn, estudiante de posgrado; los investigadores posdoctorales Basita Das y Kangyu Ji; y el estudiante de posgrado Fang Sheng. El trabajo se publica hoy en Science Advances .
Estableciendo contacto
Desde 2018, los investigadores del laboratorio de Buonassisi han estado trabajando en un laboratorio de descubrimiento de materiales totalmente autónomo. Recientemente, se han centrado en el descubrimiento de nuevas perovskitas, una clase de materiales semiconductores utilizados en sistemas fotovoltaicos como los paneles solares.
En trabajos anteriores, desarrollaron técnicas para sintetizar e imprimir rápidamente combinaciones únicas de perovskita. También diseñaron métodos basados en imágenes para determinar algunas propiedades importantes del material.
Pero la fotoconductancia se caracteriza con mayor precisión colocando una sonda sobre el material, haciendo brillar una luz y midiendo la respuesta eléctrica.
“Para que nuestro laboratorio experimental pudiera operar con la mayor rapidez y precisión posibles, tuvimos que encontrar una solución que produjera las mejores mediciones y minimizara el tiempo necesario para ejecutar todo el procedimiento”, afirma Siemens.
Para ello fue necesario integrar el aprendizaje automático, la robótica y la ciencia de los materiales en un sistema autónomo.
Para comenzar, el sistema robótico utiliza su cámara incorporada para tomar una imagen de un portaobjetos con material de perovskita impreso en él.
Luego utiliza visión artificial para cortar esa imagen en segmentos, que se incorporan a un modelo de red neuronal especialmente diseñado para incorporar la experiencia de químicos y científicos de materiales.
“Estos robots pueden mejorar la repetibilidad y precisión de nuestras operaciones, pero es importante contar con un humano involucrado. Si no tenemos una buena manera de implementar el valioso conocimiento de estos expertos químicos en nuestros robots, no podremos descubrir nuevos materiales”, añade Siemens.
El modelo utiliza este conocimiento del dominio para determinar los puntos óptimos de contacto de la sonda, según la forma de la muestra y la composición de su material. Estos puntos de contacto se introducen en un planificador de trayectorias que encuentra la manera más eficiente de que la sonda alcance todos los puntos.
La adaptabilidad de este enfoque de aprendizaje automático es especialmente importante porque las muestras impresas tienen formas únicas, desde gotas circulares hasta estructuras similares a gominolas.
“Es casi como medir copos de nieve: es difícil conseguir dos idénticos”, dice Buonassisi.
Una vez que el planificador de rutas encuentra el camino más corto, envía señales a los motores del robot, que manipulan la sonda y toman mediciones en cada punto de contacto en rápida sucesión.
La clave de la velocidad de este enfoque reside en la naturaleza autosupervisada del modelo de red neuronal. El modelo determina los puntos de contacto óptimos directamente en una imagen de muestra, sin necesidad de datos de entrenamiento etiquetados.
Los investigadores también aceleraron el sistema optimizando el procedimiento de planificación de rutas. Descubrieron que añadir una pequeña cantidad de ruido, o aleatoriedad, al algoritmo le ayudaba a encontrar la ruta más corta.
“A medida que avanzamos en esta era de laboratorios autónomos, es fundamental que estos tres conocimientos —construcción de hardware, software y comprensión de la ciencia de los materiales— se integren en un mismo equipo para poder innovar rápidamente. Y ese es parte del secreto”, afirma Buonassisi.
Datos enriquecidos, resultados rápidos
Una vez construido el sistema desde cero, los investigadores probaron cada componente. Los resultados mostraron que el modelo de red neuronal encontró mejores puntos de contacto con un menor tiempo de cálculo que otros siete métodos basados en IA. Además, el algoritmo de planificación de rutas encontró consistentemente rutas más cortas que otros métodos.
Cuando juntaron todas las piezas para realizar un experimento totalmente autónomo de 24 horas, el sistema robótico realizó más de 3.000 mediciones únicas de fotoconductancia a una velocidad superior a 125 por hora.
Además, el nivel de detalle proporcionado por este enfoque de medición preciso permitió a los investigadores identificar puntos críticos con mayor fotoconductancia, así como áreas de degradación del material.
“Poder recopilar datos tan completos, que se pueden capturar a velocidades tan rápidas, sin necesidad de guía humana, comienza a abrir puertas para poder descubrir y desarrollar nuevos semiconductores de alto rendimiento, especialmente para aplicaciones de sostenibilidad como los paneles solares”, afirma Siemens.
Los investigadores quieren seguir desarrollando este sistema robótico mientras se esfuerzan por crear un laboratorio totalmente autónomo para el descubrimiento de materiales.
Este trabajo cuenta con el apoyo, en parte, de First Solar, Eni a través de la Iniciativa Energética del MIT, MathWorks, el Consorcio de Aceleración de la Universidad de Toronto, el Departamento de Energía de EE. UU. y la Fundación Nacional de Ciencias de EE. UU. MIT News. A. Z. Traducido al español
