Datorseendemetod karakteriserar elektroniska materials egenskaper 85 gånger snabbare än konventionell metod

by Albert
Perovskit

För att öka prestandan hos solceller, transistorer, lysdioder och batterier krävs bättre elektroniska material, som tillverkas av nya sammansättningar som ännu inte har upptäckts.

För att påskynda sökandet efter avancerade funktionella material använder forskare AI-verktyg för att identifiera lovande material från hundratals miljoner kemiska formuleringar. Samtidigt bygger ingenjörerna maskiner som kan skriva ut hundratals materialprover åt gången baserat på kemiska sammansättningar som identifierats av AI-sökalgoritmerna.

Men hittills har det inte funnits något lika snabbt sätt att bekräfta att dessa tryckta material faktiskt fungerar som förväntat. Detta sista steg i materialkarakteriseringen har varit en stor flaskhals i pipelinen för screening av avancerade material.

Nu har en ny teknik för datorseende som utvecklats av MIT-ingenjörer avsevärt påskyndat karakteriseringen av nysyntetiserade elektroniska material. Tekniken analyserar automatiskt bilder av tryckta halvledarprover och uppskattar snabbt två viktiga elektroniska egenskaper för varje prov: bandgap (ett mått på elektronaktiveringsenergi) och stabilitet (ett mått på livslängd).

Den nya tekniken ger en exakt karakterisering av elektroniska material 85 gånger snabbare jämfört med standardmetoden.

Forskarna avser att använda tekniken för att påskynda sökandet efter lovande solcellsmaterial. De planerar också att integrera tekniken i ett helautomatiskt system för materialscreening.

”I slutändan tänker vi oss att den här tekniken ska passa in i framtidens autonoma labb”, säger Eunice Aissi, doktorand vid MIT. ”Hela systemet skulle göra det möjligt för oss att ge en dator ett materialproblem, låta den förutse potentiella föreningar och sedan köra 24-7 med att tillverka och karakterisera de förutspådda materialen tills den kommer fram till önskad lösning.”

”Tillämpningsområdena för dessa tekniker sträcker sig från förbättrad solenergi till transparent elektronik och transistorer”, tillägger Alexander (Aleks) Siemenn, doktorand vid MIT. ”Det spänner verkligen över hela spektrumet av områden där halvledarmaterial kan vara till nytta för samhället.”

Aissi och Siemenn beskriver den nya tekniken i detalj i en studie som publiceras i Nature Communications. Bland medförfattarna på MIT finns doktoranden Fang Sheng, postdoktorn Basita Das och professorn i maskinteknik Tonio Buonassisi, tillsammans med den tidigare gästprofessorn Hamide Kavak från Cukurova University och gästpostdoktorn Armi Tiihonen från Aalto University.

Kraft i optiken

När ett nytt elektroniskt material har syntetiserats hanteras karakteriseringen av dess egenskaper vanligtvis av en ”domänexpert” som undersöker ett prov i taget med hjälp av ett bänkbordsverktyg som kallas UV-Vis, som skannar genom olika färger av ljus för att avgöra var halvledaren börjar absorbera starkare. Den här manuella processen är exakt men också tidskrävande: En domänexpert karakteriserar vanligtvis cirka 20 materialprover per timme – en snigelfart jämfört med vissa tryckverktyg som kan lägga upp 10 000 olika materialkombinationer per timme.

”Den manuella karakteriseringsprocessen är mycket långsam”, säger Buonassisi. ”De ger dig en hög grad av säkerhet i mätningen, men de är inte anpassade till den hastighet med vilken du kan lägga material på ett substrat idag.”

För att påskynda karakteriseringsprocessen och undanröja en av de största flaskhalsarna inom materialscreening vände sig Buonassisi och hans kollegor till datorseende – ett område där datoralgoritmer används för att snabbt och automatiskt analysera optiska egenskaper i en bild.

”Det finns en styrka i optiska karaktäriseringsmetoder”, säger Buonassisi. ”Man kan få fram information mycket snabbt. Det finns en rikedom i bilder, över många pixlar och våglängder, som en människa inte kan bearbeta men som ett maskininlärningsprogram kan.”

Teamet insåg att vissa elektroniska egenskaper – bandgap och stabilitet – skulle kunna uppskattas enbart baserat på visuell information, om informationen fångades upp tillräckligt detaljerat och tolkades på rätt sätt.

Med detta mål i åtanke utvecklade forskarna två nya datorseendealgoritmer för automatisk tolkning av bilder av elektroniska material: en för att uppskatta bandgapet och en för att bestämma stabiliteten.

Den första algoritmen är utformad för att bearbeta visuella data från mycket detaljerade, hyperspektrala bilder.

”I stället för en vanlig kamerabild med tre kanaler – röd, grön och blå (RBG) – har den hyperspektrala bilden 300 kanaler”, förklarar Siemenn. ”Algoritmen tar dessa data, transformerar dem och beräknar ett bandgap. Vi kör den processen extremt snabbt.”

Den andra algoritmen analyserar RGB-standardbilder och bedömer ett materials stabilitet baserat på visuella förändringar i materialets färg över tid.

”Vi upptäckte att färgförändringar kan vara en bra indikator på nedbrytningshastigheten i det materialsystem vi studerar”, säger Aissi.

Materialets sammansättning

Teamet använde de två nya algoritmerna för att karakterisera bandgapet och stabiliteten för cirka 70 tryckta halvledarprover. De använde en robotskrivare för att deponera prover på en enda glid, som kakor på ett bakplåtspapper. Varje deposition gjordes med en något annorlunda kombination av halvledande material. I det här fallet skrev teamet ut olika proportioner av perovskiter – en typ av material som förväntas vara en lovande solcellskandidat, även om det också är känt för att snabbt brytas ned.

”Folk försöker ändra sammansättningen – lägga till lite av det ena och lite av det andra – för att försöka göra [perovskiter] mer stabila och högpresterande”, säger Buonassisi.

Efter att ha tryckt 70 olika sammansättningar av perovskitprover på ett enda objektglas skannade teamet objektglaset med en hyperspektral kamera. Sedan använde de en algoritm som visuellt ”segmenterar” bilden och automatiskt isolerar proverna från bakgrunden. De körde den nya bandgapsalgoritmen på de isolerade proverna och beräknade automatiskt bandgapet för varje prov. Hela processen med att extrahera bandgapet tog cirka sex minuter.

”Det skulle normalt ta en domänexpert flera dagar att manuellt karakterisera samma antal prover”, säger Siemenn.

För att testa stabiliteten placerade teamet samma objektglas i en kammare där de varierade miljöförhållandena, t.ex. luftfuktighet, temperatur och ljusexponering. De använde en standard RGB-kamera för att ta en bild av proverna var 30:e sekund under två timmar. Sedan applicerade de den andra algoritmen på bilderna av varje prov över tid för att uppskatta i vilken grad varje droppe ändrade färg eller försämrades under olika miljöförhållanden. I slutändan gav algoritmen ett ”stabilitetsindex”, eller ett mått på varje provs hållbarhet.

Som en kontroll jämförde teamet sina resultat med manuella mätningar av samma droppar, utförda av en domänexpert. Jämfört med expertens riktmärkesuppskattningar var teamets resultat för bandgap och stabilitet 98,5% respektive 96,9% mer exakta och 85 gånger snabbare.

”Vi var ständigt chockade över hur dessa algoritmer inte bara kunde öka karakteriseringshastigheten utan också ge exakta resultat”, säger Siemenn. ”Vi ser framför oss att det här passar in i den nuvarande automatiserade materialpipeline som vi utvecklar i labbet, så att vi kan köra den helt automatiserat och använda maskininlärning för att styra var vi vill upptäcka dessa nya material, skriva ut dem och sedan faktiskt karakterisera dem, allt med mycket snabb bearbetning.”

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

Related Articles

Leave a Comment