En la búsqueda de celdas solares más eficientes y otros productos electrónicos, los científicos nunca han detenido la exploración de nuevos materiales semiconductores. Sin embargo, la velocidad lenta de la medición manual de las características clave de los materiales se ha convertido en un gran obstáculo para el ritmo de innovación. Recientemente, los investigadores del MIT han desarrollado un nuevo sistema robótico totalmente autónomo, trayendo una solución innovadora a este dilema.

El sistema utiliza sondas robóticas, enfocándose en medir la fotoconductividad de los materiales —es decir, el grado de respuesta eléctrica de los materiales a la luz, una característica eléctrica clave—. Los investigadores inyectaron el profundo conocimiento de expertos humanos en el campo de la ciencia de materiales en modelos de aprendizaje automático, proporcionando guías precisas para las decisiones robóticas. Esto permite que el robot identifique con precisión la mejor posición para que la sonda contacte el material, obteniendo así información rica sobre la fotoconductividad. Al mismo tiempo, un programa de planificación dedicado traza la ruta más rápida para el movimiento de la sonda entre puntos de contacto.

En una prueba rigurosa de 24 horas, este detector robótico totalmente autónomo demostró una eficiencia asombrosa, completando más de 125 mediciones únicas por hora, y sus resultados de medición son más precisos y confiables en comparación con otros métodos basados en inteligencia artificial.

El profesor de ingeniería mecánica y autor senior del artículo sobre sistemas autónomos, Tonio Buonassisi, evaluó altamente este logro de investigación: "Este artículo es de gran significado, ya que abre caminos para métodos de caracterización autónomos y basados en contacto. No todas las características clave de los materiales pueden medirse de manera no invasiva; si se requiere contacto con la muestra, es crucial obtener información rápidamente y al máximo". Los resultados de esta investigación se publicarán pronto en la revista Science Advances, y los coautores incluyen a la estudiante de posgrado Alexander (Aleks) Siemenn (primera autora), la postdoctora Basita Das y Kangyu Ji, así como a la estudiante de posgrado Fang Sheng.

Los investigadores del Laboratorio de Aceleración de Sostenibilidad de Materiales de Buonassisi están trabajando a toda máquina para crear un laboratorio de descubrimiento de materiales completamente autónomo, enfocándose recientemente en el descubrimiento de nuevos materiales semiconductores de perovskita utilizados en tecnologías fotovoltaicas como paneles solares. Previamente, han desarrollado técnicas de síntesis y impresión rápidas para combinaciones únicas de materiales de perovskita, y han diseñado métodos basados en imágenes para determinar algunas características clave de los materiales. Sin embargo, la caracterización de la fotoconductividad debe completarse colocando la sonda en el material, iluminándolo y midiendo la respuesta eléctrica.

Para hacer que el laboratorio funcione de manera eficiente, los investigadores integraron aprendizaje automático, tecnología robótica y ciencia de materiales en un sistema autónomo. El sistema primero utiliza una cámara integrada para capturar imágenes de portaobjetos impresos con materiales de perovskita, luego segmenta las imágenes en fragmentos mediante visión por computadora, e ingresa estos a un modelo de red neuronal que incorpora el conocimiento experto de químicos y científicos de materiales. El modelo determina los mejores puntos de contacto para la sonda basados en la forma y composición del material, y el planificador de rutas encuentra la ruta más eficiente para que la sonda llegue a todos los puntos.

Este método de aprendizaje automático es altamente adaptable porque las formas de las muestras impresas varían, desde gotas circulares hasta estructuras similares a gomitas. Su velocidad clave radica en la característica de auto-supervisión del modelo de red neuronal, que puede determinar directamente los mejores puntos de contacto en las imágenes de las muestras sin datos de entrenamiento etiquetados. Además, los investigadores agregaron una pequeña cantidad de ruido o aleatoriedad al algoritmo de planificación de rutas, logrando encontrar la ruta más corta con éxito.

Una vez construido el sistema, las pruebas de componentes mostraron que el modelo de red neuronal, en comparación con otros siete métodos basados en IA, podía encontrar puntos de contacto más precisos en menos tiempo de cómputo; el algoritmo de planificación de rutas también siempre encontraba rutas más cortas. En un experimento totalmente autónomo de 24 horas, el sistema robótico completó más de 3.000 mediciones únicas de fotoconductividad a una velocidad de más de 125 por hora.

Este método de medición precisa no solo proporciona detalles ricos, ayudando a los investigadores a identificar puntos calientes de mayor fotoconductividad y áreas de degradación de materiales, sino que también abre puertas para el descubrimiento y desarrollo de nuevos semiconductores de alto rendimiento, especialmente significativo para aplicaciones sostenibles como paneles solares. Siemenn indicó: "Poder recopilar datos tan ricos tan rápidamente, sin guía humana, trae nuevas posibilidades a la investigación de materiales semiconductores".

Actualmente, los investigadores esperan continuar perfeccionando este sistema robótico, avanzando hacia el objetivo de crear un laboratorio de descubrimiento de materiales completamente autónomo, inyectando un poderoso impulso a la innovación de materiales en el campo de la fabricación de equipos de alta gama.