Forscher des Massachusetts Institute of Technology (MIT) in den USA haben einen Hochdurchsatz-Analyseprozess entwickelt, der auf Computer Vision basiert, um die Bandlücke und Stabilität neu synthetisierter Halbleitermaterialien zu bestimmen. Durch die Verwendung algorithmischer Methoden zur Analyse von Bildern von Proben, die mit schnellen Drucktechniken hergestellt wurden, beschleunigt der automatisierte Ansatz signifikant die Bewertung von Kandidatenmaterialien für Anwendungen wie Solarzellen, transparente Elektronik und Batterien der nächsten Generation.
Die Entdeckung neuer Materialien wurde zu einem Zahlen- und Durchsatzspiel, bei dem Ingenieure Tintenstrahldruck und andere schnelle Synthesetechniken verwenden, um Tausende von Proben basierend auf von KI-Suchalgorithmen vorgeschlagenen chemischen Formulierungen herzustellen. Der Engpass liegt nun in der Bewertung der gedruckten Materialien, da ihre tropfenartigen Morphologien in der Regel einen Experten erfordern, der Schlüsselparameter und Leistungsindikatoren für jede Probe einzeln misst.
Im Gegensatz dazu können die am MIT entwickelten Computer-Vision-Tools Hunderte von gedruckten Proben pro Stunde in einem skalierbaren und parallelen Prozess analysieren. Die Forscher demonstrieren ihren Ansatz anhand von Perowskit-Materialien, die für zukünftige Solarzellen entwickelt werden, zuerst indem sie mit einem Roboterdrukker etwa 200 Proben mit leicht unterschiedlichen chemischen Zusammensetzungen auf drei separate Folien auftragen.
Um die optische Bandlücke der Proben zu schätzen, scannte das Team jede Folie mit einer hyperspektralen Kamera, wobei ein automatisierter Segmentierungsprozess gleichzeitig detaillierte Reflexionsdaten für jede Probe auf der Folie lieferte. Ein weiterer Algorithmus berechnete dann die optische Bandlücke aus den extrahierten hyperspektralen Daten für jede Probe, wobei die berechneten Ergebnisse mit einer Genauigkeit von 98,5% den manuellen Bewertungen eines Experten entsprachen.
Herkömmliche optische Bildgebung wurde dann verwendet, um die Stabilität der Proben im Laufe der Zeit zu bestimmen und auszunutzen, dass Perowskite ihre Farbe verändern, wenn sie zerfallen. In drei separaten Experimenten wurden die Proben Licht-, Feuchtigkeits- und Temperaturschwankungen ausgesetzt, wobei alle 30 Sekunden über einen Zeitraum von zwei Stunden Bilder aufgenommen wurden. Unter Verwendung eines weiteren Computer-Vision-Tools zur Berechnung des Degradationsgrades anhand der Farbänderung lieferte der automatisierte Prozess Schätzungen, die mit der Expertenbewertung übereinstimmten, mit einer Genauigkeit von 96,9%.
Die Forscher sind beeindruckt davon, wie genau und schnell diese Algorithmen arbeiten. Sie sehen diesen Ansatz als Teil einer automatisierten Materialpipeline, die sie im Labor entwickeln, mit maschinellem Lernen zur Leitung bei der Entdeckung neuer Materialien, dem Drucken und der Charakterisierung – alles sehr schnell und effizient.