Le système autonome promet une découverte plus rapide de semi-conducteurs efficaces
Aythrasse avant: Un nouveau chapitre de la science des matériaux se déroule au MIT, où les chercheurs ont développé un système robotique entièrement autonome conçu pour accélérer la recherche de semi-conducteurs avancés. Cette technologie vise à relever un défi de longue date: le rythme lent de mesurer manuellement les propriétés clés dans les nouveaux matériaux, ce qui a des progrès limités dans des domaines tels que l’énergie solaire.
Au cœur du système se trouve une sonde robotique capable de mesurer la photoconductance, une propriété qui révèle comment un matériel réagit à la lumière. En intégrant les connaissances d’experts des scientifiques des matériaux dans un modèle d’apprentissage automatique, le robot peut déterminer les points les plus informatifs à sonder sur un échantillon. Cette approche, associée à un algorithme de planification spécialisé, permet au robot de se déplacer rapidement et efficacement entre les points de contact.
Dans un test rigoureux de 24 heures, le robot a effectué plus de 125 mesures uniques par heure, dépassant la précision et la fiabilité des méthodes précédentes basées sur l’intelligence artificielle. Ce saut de vitesse et de précision pourrait accélérer le développement de panneaux solaires plus efficaces et d’autres appareils électroniques.
« Je trouve que cet article est incroyablement excitant car il fournit une voie pour les méthodes de caractérisation autonomes et basées sur des contacts », a déclaré Tonio Buonassisi, professeur de génie mécanique et auteur principal de l’étude. « Toutes les propriétés importantes d’un matériau ne peuvent pas être mesurées de manière sans contact. Si vous devez entrer en contact avec votre échantillon, vous voulez qu’il soit rapide et vous souhaitez maximiser la quantité d’informations que vous gagnez. »
L’équipe de recherche, dirigée par l’étudiant diplômé Alexander Siemennn, ainsi que les chercheurs postdoctoraux Basita Das et Kangyu Ji, ainsi que l’étudiant diplômé Fang Sheng, ont publié leurs résultats en avancées scientifiques.
Le voyage vers cette innovation a commencé en 2018, lorsque le laboratoire de Buonassisi a décidé de construire un laboratoire de découverte de matériaux entièrement autonome. Les efforts se sont récemment concentrés sur les pérovskites, une classe de semi-conducteurs utilisés dans les panneaux solaires. Alors que les progrès précédents ont permis une synthèse rapide et une analyse basée sur l’imagerie, la mesure avec précision de la photoconductance nécessitait toujours un contact direct avec le matériau.
« Pour permettre à notre laboratoire expérimental de fonctionner aussi rapidement et avec précision que possible, nous avons dû trouver une solution qui produirait les meilleures mesures tout en minimisant le temps nécessaire pour exécuter toute la procédure », a expliqué Siemennn.
Le système commence par capturer une image de l’échantillon de pérovskite à l’aide de sa caméra embarquée. La vision par ordinateur divise ensuite l’image en segments, qui sont analysés par un modèle de réseau neuronal qui intègre l’expertise des chimistes et des scientifiques des matériaux. « Ces robots peuvent améliorer la répétabilité et la précision de nos opérations, mais il est important d’avoir un humain dans la boucle. Si nous n’avons pas un bon moyen de mettre en œuvre les riches connaissances de ces experts chimiques dans nos robots, nous n’allons pas pouvoir découvrir de nouveaux matériaux », a ajouté Siemenn.
Le réseau neuronal identifie les meilleurs points de contact de sonde en fonction de la forme et de la composition de l’échantillon. Ces points sont ensuite introduits dans un planificateur de chemin qui détermine l’itinéraire le plus efficace pour que le robot puisse suivre. L’adaptabilité de cette approche est cruciale, car les échantillons ont souvent des formes uniques. « C’est presque comme mesurer les flocons de neige – il est difficile d’en obtenir deux qui sont identiques », a déclaré Buonassisi.
Une innovation clé est la nature auto-supervisée du réseau neuronal, qui sélectionne des points de contact optimaux directement à partir d’échantillons d’images sans avoir besoin de données de formation étiquetées. L’équipe a également amélioré l’algorithme de planification de chemin en introduisant une petite quantité de hasard, ce qui a aidé le robot à trouver des chemins plus courts.
« Au fur et à mesure que nous progressons à l’ère des laboratoires autonomes, vous avez vraiment besoin de ces trois expertise – la construction de matériel, les logiciels et une compréhension de la science des matériaux – se réunissant dans la même équipe pour pouvoir innover rapidement. Et cela fait partie de la sauce secrète ici », a déclaré Buonassisi.
Après avoir construit le système, les chercheurs ont testé chaque composant. Le réseau neuronal a surpassé sept autres méthodes basées sur l’IA pour identifier les points de contact avec un temps de calcul réduit, et le planificateur de chemin a géré systématiquement des itinéraires plus courts que les algorithmes concurrents. Dans une expérience autonome complète de 24 heures, le robot a effectué plus de 3 000 mesures de photoconductance, identifiant à la fois des zones très performantes et des régions de dégradation dans les matériaux.
« La possibilité de recueillir des données aussi riches qui peuvent être capturées à des rythmes aussi rapides, sans avoir besoin de conseils humains, commence à ouvrir des portes pour pouvoir découvrir et développer de nouveaux semi-conducteurs haute performance, en particulier pour les applications de durabilité comme les panneaux solaires », a déclaré Siemenn.
Pour l’avenir, l’équipe prévoit d’affiner davantage le système alors qu’elle travaille à l’établissement d’un laboratoire entièrement autonome pour la découverte des matériaux. Le projet est soutenu par des organisations telles que First Solar, ENI par le MIT Energy Initiative, Mathworks, le Consortium d’accélération de l’Université de Toronto, le Département américain de l’énergie et la US National Science Foundation.
