로봇 프로브는 신소재의 주요 특성을 신속하게 측정합니다.

과학자들은 태양전지와 기타 전자제품의 효율을 높일 수 있는 새로운 반도체 소재를 발견하려고 노력하고 있습니다. 그러나 혁신의 속도는 연구자들이 중요한 물리적 특성을 수동으로 측정할 수 있는 속도에 따라 제한됩니다.

MIT 연구진이 개발한 완전 자율 로봇 시스템은 작업 속도를 높일 수 있습니다.

그들의 시스템은 로봇 프로브를 사용하여 광전도율이라는 중요한 전기적 특성을 측정합니다. 이는 물질이 빛의 존재에 대해 전기적으로 반응하는 정도를 측정합니다.

연구원들은 인간 전문가의 재료 과학 영역 지식을 로봇의 의사 결정을 안내하는 기계 학습 모델에 주입합니다. 이를 통해 로봇은 광전도율에 대한 대부분의 정보를 얻기 위해 프로브로 재료와 접촉할 수 있는 최적의 위치를 ​​식별할 수 있으며, 특별한 계획 프로세스는 접촉 지점 사이를 이동하는 가장 빠른 방법을 찾습니다.

24시간 테스트 동안 완전 자율 로봇 프로브는 다른 인공 지능 기반 방법보다 더 높은 정확도와 신뢰성으로 시간당 125개 이상의 고유 측정을 수행했습니다.

과학자들이 새로운 반도체 재료의 중요한 특성을 특성화할 수 있는 속도를 획기적으로 높임으로써 이 방법은 더 많은 전력을 생산하는 태양광 패널의 개발을 촉진할 수 있습니다.

“이 논문은 자율적인 접촉 기반 특성화 방법에 대한 경로를 제공하기 때문에 매우 흥미롭습니다. 재료의 모든 중요한 특성을 비접촉 방식으로 측정할 수 있는 것은 아닙니다. 샘플과 접촉해야 하는 경우 샘플이 빠르기를 원하고 획득된 정보의 양을 최대화하고 싶을 것입니다.”라고 기계 공학 교수이자 자율 시스템에 관한 논문의 수석 저자인 Tonio Buonacissi는 말합니다.

그의 공동 저자로는 대학원생인 수석 저자 Alexander (Alex) Seaman; 박사후 연구원 Basita Das 및 Kangyu Ji; 그리고 대학원생 Fang Sheng. 오늘 할 일이 나타납니다 과학 발전.

연락하다

2018년부터 Buonassi 연구실의 연구원들은 완전히 자율적인 재료 발견 연구실을 만들기 위해 노력해 왔습니다. 그는 최근 태양광 패널과 같은 광전지에 사용되는 반도체 재료의 일종인 새로운 페로브스카이트의 발견에 집중하고 있습니다.

이전 연구에서 그들은 페로브스카이트 재료의 독특한 조합을 빠르게 합성하고 인쇄하는 기술을 개발했습니다. 그는 또한 몇 가지 중요한 물리적 특성을 결정하기 위해 이미징 기반 방법을 설계했습니다.

그러나 광전도는 재료 위에 탐침을 놓고 빛을 비추고 전기적 반응을 측정함으로써 가장 정확하게 특성화됩니다.

“실험실을 최대한 빠르고 정확하게 운영하려면 전체 프로세스를 실행하는 데 걸리는 시간을 최소화하면서 최상의 측정값을 생성할 수 있는 솔루션을 찾아야 했습니다.”라고 Siemen은 말합니다.

이를 위해서는 기계 학습, 로봇 공학, 재료 과학을 자율 시스템에 통합해야 했습니다.

시작하기 위해 로봇 시스템은 온보드 카메라를 사용하여 페로브스카이트 재료가 인쇄된 슬라이드의 이미지를 찍습니다.

그런 다음 컴퓨터 비전을 사용하여 해당 이미지를 세그먼트로 자르고 화학자와 재료 과학자의 도메인 전문 지식을 통합하도록 특별히 설계된 신경망 모델에 공급됩니다.

“이러한 로봇은 작업의 반복성과 정확성을 향상시킬 수 있지만 인간이 루프에 참여하는 것도 중요합니다. 이러한 화학 전문가의 풍부한 지식을 로봇에 적용할 수 있는 좋은 방법이 없다면 새로운 재료를 발견할 수 없을 것입니다.”라고 Siemen은 말합니다.

모델은 이 도메인 지식을 사용하여 샘플 크기와 재료 구성을 기반으로 프로브에 대한 최적의 접촉 지점을 결정합니다. 이러한 접점은 조사 중인 모든 지점에 도달하는 가장 효율적인 방법을 찾는 경로 플래너에 입력됩니다.

인쇄된 샘플은 구형 물방울부터 젤리빈과 같은 구조에 이르기까지 독특한 모양을 갖기 때문에 이 기계 학습 접근 방식의 적응성은 특히 중요합니다.

“이것은 얼음 조각을 측정하는 것과 거의 같습니다. 두 개의 동일한 조각을 얻는 것은 어렵습니다.”라고 Buonassi는 말합니다.

경로 플래너가 최단 경로를 찾으면 로봇의 모터에 신호를 보내며, 모터는 프로브를 조작하고 각 접점에서 신속한 측정을 수행합니다.

이 접근 방식의 속도의 핵심은 신경망 모델의 자체 감독 특성입니다. 모델은 레이블이 지정된 학습 데이터 없이 샘플 이미지에서 직접 최적의 접점을 결정합니다.

연구진은 또한 경로 계획 프로세스를 강화하여 시스템 속도를 높였습니다. 그들은 알고리즘에 소량의 노이즈나 무작위성을 추가하면 최단 경로를 찾는 데 도움이 된다는 것을 발견했습니다.

“우리가 자율 실험실 시대로 발전함에 따라 하드웨어 제조, 소프트웨어 및 재료 과학에 대한 이해라는 세 가지 전문 지식이 모두 단일 팀으로 모여 더 빠르게 혁신할 수 있어야 합니다. 이것이 바로 여기서 비밀 소스의 일부입니다.”라고 Buonassi는 말합니다.

풍부한 데이터, 빠른 결과

연구진은 처음부터 시스템을 구축한 후 각 구성 요소를 테스트했습니다. 그 결과 신경망 모델은 다른 7가지 AI 기반 방법보다 더 짧은 계산 시간으로 더 나은 접점을 찾는 것으로 나타났습니다. 또한 경로 계획 알고리즘은 다른 방법보다 일관되게 더 짧은 경로 계획을 찾았습니다.

완전히 자율적인 24시간 실험을 수행하기 위해 모든 조각을 모았을 때 로봇 시스템은 시간당 125회 이상의 속도로 3,000회 이상의 고유한 광전도 측정을 수행했습니다.

또한, 이 정밀한 측정 접근 방식을 통해 제공되는 세부 수준을 통해 연구자들은 광전도도가 높은 핫스팟과 재료 저하 영역을 식별할 수 있었습니다.

Seeman은 “사람의 지도 없이 빠른 속도로 캡처할 수 있는 풍부한 데이터를 수집할 수 있다는 것은 특히 태양광 패널과 같은 지속 가능성 응용 분야를 위한 새로운 고성능 반도체를 발견하고 개발할 수 있는 문을 열어주기 시작합니다.”라고 말합니다.

연구원들은 물질 발견을 위한 완전 자율 실험실을 만들려고 시도하면서 이 로봇 시스템을 계속 구축하기를 원합니다.

이 연구는 부분적으로 First Solar, MIT 에너지 이니셔티브를 통한 Eni, MathWorks, 토론토 대학 가속 컨소시엄, 미국 에너지부 및 미국 국립 과학 재단의 지원을 받습니다.