Los científicos están trabajando arduamente para explorar nuevos materiales semiconductores que puedan mejorar la eficiencia de las células solares y otros productos electrónicos. Sin embargo, el ritmo de innovación se ve limitado por la velocidad con la que los investigadores miden manualmente las importantes características de los materiales.

Un sistema robótico completamente automatizado desarrollado por investigadores del MIT puede acelerar este proceso.

Su sistema utiliza sondas robóticas para medir una importante característica eléctrica llamada fotoconductividad, es decir, el grado de respuesta eléctrica del material a la presencia de luz.

Los investigadores inyectaron el conocimiento experto en ciencia de materiales de expertos humanos en un modelo de aprendizaje automático para guiar las decisiones del robot. Esto permite que el robot identifique la mejor posición para que la sonda contacte el material, obteniendo así la mayor cantidad de información sobre su fotoconductividad, mientras que un programa de planificación especializado encuentra el camino más rápido para moverse entre puntos de contacto.

En una prueba de 24 horas, el detector robótico completamente automatizado realizó más de 125 mediciones únicas por hora, siendo más preciso y confiable que otros métodos basados en inteligencia artificial.

Al aumentar drásticamente la velocidad con la que los científicos caracterizan las importantes características de nuevos materiales semiconductores, este método puede promover el desarrollo de paneles solares que generen más electricidad.

“Encontré este artículo muy emocionante porque proporciona una vía para métodos de caracterización autónomos y basados en contacto. No todas las características importantes de los materiales se pueden medir de manera no invasiva. Si necesitas contactar la muestra, quieres que sea rápido y que maximice la cantidad de información obtenida”, dijo Tonio Buonassisi, profesor de ingeniería mecánica y autor senior del artículo sobre sistemas autónomos.

Sus coautores incluyen: al primer autor y estudiante de posgrado Alexander (Aleks) Siemenn; a los investigadores posdoctorales Basita Das y Kangyu Ji; y al estudiante de posgrado Fang Sheng. Los resultados de la investigación se publicarán en la revista Advances in Science.

Estableciendo conexiones

Los investigadores del Laboratorio de Aceleración de Materiales para el Desarrollo Sostenible de Buonassisi están trabajando para crear un laboratorio de descubrimiento de materiales completamente autónomo. Recientemente se han enfocado en descubrir nuevos perovskitas, un material semiconductor utilizado en tecnologías fotovoltaicas como los paneles solares.

En trabajos anteriores, desarrollaron técnicas para sintetizar e imprimir rápidamente combinaciones únicas de materiales perovskitas. También diseñaron métodos basados en imágenes para determinar algunas características importantes de los materiales.

Pero la fotoconductividad solo se puede caracterizar colocando una sonda en el material, iluminándolo y midiendo la respuesta eléctrica.

“Para que nuestro laboratorio funcione lo más rápido y preciso posible, teníamos que idear una solución que produjera los mejores resultados de medición y minimizara el tiempo total del proceso”, dijo Siemenn.

Hacer esto requirió integrar aprendizaje automático, robótica y ciencia de materiales en un sistema autónomo.

Primero, el sistema robótico usa su cámara integrada para capturar imágenes de un portaobjetos con perovskitas impresas.

Luego, utiliza visión por computadora para dividir la imagen en fragmentos, que se introducen en una red neuronal diseñada específicamente para incorporar el conocimiento experto de químicos y científicos de materiales.

“Estos robots pueden mejorar la repetibilidad y precisión de nuestras operaciones, pero es importante que los humanos sigan involucrados. Si no tuviéramos una buena manera de aplicar el vasto conocimiento de estos expertos químicos a nuestros robots, no podríamos descubrir nuevos materiales”, añadió Siemenn.

El modelo utiliza este conocimiento de dominio para determinar los mejores puntos de contacto de la sonda según la forma de la muestra y su composición de material. Estos puntos de contacto se introducen en un planificador de rutas, que encuentra la ruta más eficiente para que la sonda llegue a todos los puntos.

La adaptabilidad de este enfoque de aprendizaje automático es especialmente importante porque las muestras impresas tienen formas únicas, desde gotas redondas hasta estructuras similares a gomitas.

“Es casi como medir copos de nieve: es difícil encontrar dos copos completamente idénticos”, dijo Buonassisi.

Una vez que el planificador de rutas encuentra la ruta más corta, envía señales a los motores del robot, que manipulan la sonda y realizan mediciones rápidas y consecutivas en cada punto de contacto.

La clave de la velocidad de este método radica en la característica de auto-supervisión del modelo de red neuronal. El modelo determina directamente los mejores puntos de contacto en las imágenes de las muestras, sin necesidad de datos de entrenamiento etiquetados.

Los investigadores también aceleraron el sistema mejorando el programa de planificación de rutas. Descubrieron que agregar una pequeña cantidad de ruido o aleatoriedad al algoritmo ayuda a encontrar la ruta más corta.

“Con el desarrollo de esta era de laboratorios autónomos, realmente necesitas que estos tres tipos de experiencia —construcción de hardware, software y comprensión de la ciencia de materiales— se unan en el mismo equipo para innovar rápidamente. Y esa es una de las claves”, dijo Buonassisi.

Datos ricos, resultados rápidos

Una vez construido el sistema desde cero, los investigadores probaron cada componente. Los resultados mostraron que, en comparación con otros siete métodos basados en inteligencia artificial, el modelo de red neuronal podía encontrar puntos de contacto más precisos en menos tiempo de cómputo. Además, el algoritmo de planificación de rutas siempre encontraba rutas más cortas que otros métodos.

Cuando ensamblaron todas las partes para un experimento completamente automatizado de 24 horas, el sistema robótico realizó más de 3.000 mediciones únicas de fotoconductividad a una velocidad de más de 125 por hora.

Además, el nivel de detalle proporcionado por este método de medición precisa permitió a los investigadores identificar puntos calientes de mayor fotoconductividad y áreas de degradación del material.

Siemenn dijo: “Poder recopilar datos tan ricos a una velocidad tan alta, sin guía manual, abre la puerta al descubrimiento y desarrollo de nuevos semiconductores de alto rendimiento, especialmente para aplicaciones sostenibles como los paneles solares”.

Los investigadores esperan continuar construyendo este sistema robótico, trabajando hacia un laboratorio de descubrimiento de materiales completamente autónomo.