6 мин. чтения
6/12/2024 6:00:01 AM

Метод компьютерного зрения характеризует свойства электронных материалов в 85 раз быстрее, чем традиционный подход

Article Preview Image Кредит: Unsplash/CC0

Повышение производительности солнечных элементов, транзисторов, светодиодов и батарей потребует лучших электронных материалов, изготовленных из новых композиций, которые еще не обнаружены.

Чтобы ускорить поиск передовых функциональных материалов, ученые используют инструменты ИИ для выявления перспективных материалов из сотен миллионов химических составов.В тандеме инженеры являются строительными машинами, которые могут печатать сотни образцов материала одновременно на основе химических композиций, помеченных алгоритмами поиска ИИ.

Но на сегодняшний день не было так же быстрого способа подтвердить, что эти печатные материалы действительно работают, как и ожидалось.Этот последний этап характеристики материала был основным узким местом в процессе скрининга передовых материалов.

Теперь новая техника компьютерного зрения, разработанная инженерами MIT, значительно ускоряет характеристику вновь синтезированных электронных материалов.Техника автоматически анализирует изображения печатных полупроводниковых образцов и быстро оценивает два ключевых электронных свойства для каждого образца: полоса (мера энергии активации электронов) и стабильность (мера долговечности).

Новая техника точно характеризует электронные материалы в 85 раз быстрее по сравнению со стандартным эталонным подходом.

Исследователи намерены использовать эту технику для ускорения поиска перспективных солнечных материалов.Они также планируют включить технику в полностью автоматизированную систему скрининга материалов.

«В конечном счете, мы предполагаем, что эта техника подходит в автономную лабораторию будущего», - говорит аспирант MIT Eunice Aissi.«Вся система позволит нам дать компьютеру проблему с материалами, чтобы она предсказала потенциальные соединения, а затем запустить 24-7, создавая и характеризуя эти прогнозируемые материалы, пока не достигнет желаемого решения».

«Пространство приложений для этих методов варьируется от улучшения солнечной энергии до прозрачной электроники и транзисторов», - добавляет аспирант MIT Александр (Алекс) Сиеменн.«Это действительно охватывает полную гамму того, где полупроводниковые материалы могут принести пользу обществу».

Айсси и Сиеменн подробно описывают новую технику в исследовании, появляющемся в природе.Их соавторы MIT включают аспирантов Fang Sheng, Postdoc Basita Das и профессором машиностроения Тонио Буонассиси, а также бывшего приглашенного профессора Хамида Кавака из Университета Кукурова и посещения постдока Арми Тихонена из Университета Аалто.

Как только новый электронный материал синтезируется, характеристика его свойств обычно обрабатывается «экспертом по домену», который исследует один образец за раз с использованием контрольного инструмента, называемого УФ-вис, который сканирует различные цвета света, чтобы определить, гдеПолупроводник начинает более сильно поглощать.Этот ручный процесс является точным, но также трудоемким: эксперт по домену обычно характеризует около 20 образцов материала в час-темп улитки по сравнению с некоторыми инструментами печати, которые могут укладывать 10000 различных комбинаций материалов в час.

«Процесс ручной характеристики очень медленный», - говорит Буонассиси.«Они придают вам большую уверенность в измерении, но они не соответствуют скорости, с которой вы можете поставить материю на подложку в наши дни».

Чтобы ускорить процесс характеристики и прояснить одно из самых больших узких мест в скрининге материалов, Буонассиси и его коллеги смотрели на компьютерное зрение - поле, которое применяет компьютерные алгоритмы для быстрого и автоматического анализа оптических функций на изображении.

«В методах оптической характеристики есть сила», - отмечает Буонассиси.«Вы можете получить информацию очень быстро. Есть богатство в изображениях, по многим пикселям и длинам волн, которые человек просто не может обрабатывать, но программа компьютерного обучения может».

Команда осознала, что определенные электронные свойства, а именно, разрывы и стабильность в группе, могут быть оценены только на основе визуальной информации, если эта информация была получена с достаточными деталями и правильно интерпретирована.

Имея в виду эту цель, исследователи разработали два новых алгоритма компьютерного зрения для автоматической интерпретации изображений электронных материалов: один для оценки разрыва в полосе, а другой для определения стабильности.

Первый алгоритм предназначен для обработки визуальных данных из очень подробных гиперспектральных изображений.

«Вместо стандартного изображения камеры с тремя каналами - Red, Green и Blue (RBG) - гиперспектральное изображение имеет 300 каналов», - объясняет Сиеменн.«Алгоритм принимает эти данные, преобразует их и вычисляет полосовую пробел. Мы запускаем этот процесс очень быстро».

Второй алгоритм анализирует стандартные изображения RGB и оценивает стабильность материала на основе визуальных изменений в цвете материала с течением времени.

«Мы обнаружили, что изменение цвета может быть хорошим показателем для уровня деградации в материальной системе, которую мы изучаем», - говорит Айси.

Команда применила два новых алгоритма, чтобы охарактеризовать пробел и стабильность для примерно 70 печатных полупроводниковых образцов.Они использовали роботизированный принтер, чтобы откладывать образцы на одном слайде, например, печенье на противне.Каждое месторождение было сделано с немного другой комбинацией полупроводниковых материалов.В этом случае команда напечатала различные соотношения перовскитов - тип материала, который, как ожидается, будет многообещающим кандидатом на солнечные элементы, хотя также известно, что он также быстро ухудшается.

«Люди пытаются изменить композицию-немного от этого, немного из этого-чтобы попытаться сделать [перовскитов] более стабильными и высокоэффективными»,-говорит Буонассиси.

Как только они напечатали 70 различных композиций образцов перовскита на одном слайде, команда сканировала слайд с помощью гиперспектральной камеры.Затем они применили алгоритм, который визуально «сегментирует» изображение, автоматически изолируя образцы с фона.Они запустили новый алгоритм разрыва в полосе на изолированных образцах и автоматически вычислили зонную зону для каждого образца.Весь процесс извлечения ленты занял около шести минут.

«Обычно для эксперта по домену несколько дней, чтобы вручную охарактеризовать одно и то же количество образцов», - говорит Сиеменн.

Чтобы проверить стабильность, команда поместила тот же слайд в камеру, в которой они изменяли условия окружающей среды, такие как влажность, температура и воздействие света.Они использовали стандартную камеру RGB для получения изображения образцов каждые 30 секунд за два часа.Затем они применили второй алгоритм к изображениям каждого образца с течением времени, чтобы оценить степень, в которой каждая капля изменила цвет или разлагается в различных условиях окружающей среды.В конце концов, алгоритм дал «индекс стабильности» или меру долговечности каждого образца.

В качестве проверки команда сравнила свои результаты с ручными измерениями тех же капель, взятых экспертом по домену.По сравнению с оценками эталона эксперта, результаты обмены и стабильности команды составили 98,5% и 96,9% как точные, соответственно и в 85 раз быстрее.

«Мы постоянно были шокированы тем, как эти алгоритмы смогли не просто увеличить скорость характеристики, но и получить точные результаты», - говорит Сиеменн.«Мы предполагаем, что этот разрез в текущий трубопровод автоматизированных материалов, который мы разрабатываем в лаборатории, поэтому мы можем запустить его полностью автоматизированным способом, используя машинное обучение, чтобы направлять, где мы хотим обнаружить эти новые материалы, печать их, а затемНа самом деле характеризуя их, все с очень быстрой обработкой ».

More information: Using Scalable Computer Vision to Automate High-throughput Semiconductor Characterization, Nature Communications (2024). DOI: 10.1038/s41467-024-48768-2

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Новая технология хранения углерода

7/10/2024 · 6 мин. чтения

Новая технология хранения углерода

Искусственный газон со встроенной системой хранения воды может сделать спортивные корты безопаснее

7/10/2024 · 6 мин. чтения

Искусственный газон со встроенной системой хранения воды может сделать спортивные корты безопаснее