科学者たちは、太陽電池やその他の電子機器の効率を高めることができる新しい半導体材料の発見に努めています。しかし、イノベーションのペースは、研究者が重要な材料特性を手動で測定できる速度によって妨げられています。
MITの研究者が開発した完全自律型ロボットシステムは、物事をスピードアップする可能性がある。
彼らのシステムはロボットプローブを使用して、光コンダクタンスとして知られる重要な電気特性、つまり材料が光の存在に対してどの程度電気的に反応するかを測定します。
研究者らは、人間の専門家から得た材料科学の知識を、ロボットの意思決定を導く機械学習モデルに注入します。これにより、ロボットは、材料とプローブを接触させる最適な場所を特定して、その光伝導性に関する情報を最大限に得ることができると同時に、特別な設計手順により接触点間を最速で移動する方法を見つけることができます。
24 時間のテスト中、完全自律型ロボット プローブは、他の AI ベースの方法よりも高い精度と信頼性で、1 時間あたり 125 件を超える独自の測定を行いました。
この方法により、科学者が新しい半導体材料の重要な特性を特徴付ける速度が劇的に向上するため、より多くの電力を生成するソーラーパネルの開発が促進される可能性があります。
「この論文は、接触ベースの自律特性評価法への道筋を提供するもので、非常に興味深いものだと思います。材料のすべての重要な特性を非接触方法で測定できるわけではありません。サンプルに接触する必要がある場合、高速であることが望まれ、収集する情報量を最大化したいと考えます。」と、自律機械システム工学の教授であり、『Paper Engineering』の上級著者であるトニオ・ボナッシは述べています。
共著者には、主著者である大学院生のアレクサンダー (アレックス) シーマンが含まれます。博士研究員 Sita Das と Cangyu G。そして大学院生のファン・シェンさん。この作品が今日登場するのは、 科学の進歩。
連絡を取る
2018 年以来、ブオナッシシの研究室の研究者たちは、完全自律型の材料発見研究室の実現に向けて取り組んでいます。彼らは最近、ソーラーパネルなどの太陽光発電に使用される半導体材料の一種である新しいペロブスカイトの発見に焦点を当てています。
以前の研究では、ペロブスカイト材料のユニークな組み合わせを迅速に合成して印刷する技術を開発しました。彼らはまた、いくつかの重要な材料特性を決定するための画像ベースの方法も設計しました。
しかし、光伝導性は、材料上にプローブを置き、光で照らし、電気的応答を測定することによって最も正確に特徴付けられます。
「実験室を可能な限り迅速かつ正確に操作できるようにするために、手順全体の実行にかかる時間を短縮しながら、最良の測定値を生成するソリューションを見つける必要がありました」とシーメン氏は言います。
これには、機械学習、ロボット工学、材料科学を 1 つの自律システムに組み合わせる必要があります。
まず、ロボット システムは内蔵カメラを使用して、ペロブスカイト材料が印刷されたスライドの写真を撮影します。
次に、コンピューター ビジョンを使用して画像をセグメントに分割し、化学者と材料科学者の専門知識を組み合わせるために特別に設計されたニューラル ネットワーク モデルに入力します。
「これらのロボットは、作業の再現性と精度を向上させることができますが、その輪の中に人がいることが重要です。これらの化学専門家の豊富な知識をロボットに適用する適切な方法がなければ、新しい材料を発見することはできません。」とシマン氏は付け加えます。
モデルはこのドメイン知識を使用して、サンプルの形状とその材料組成に基づいてプローブが接触する最適な点を決定します。これらの接触点は、プローブがすべての点に到達するための最も効率的な方法を見つけるパス プランナーに入力されます。
印刷されたサンプルは円形の液滴からゼリー状の構造に至るまで、独特の形状をしているため、この機械学習アプローチの適応性は特に重要です。
「それは雪の結晶を測定するようなものです。同じものを 2 つ作るのは難しいのです」とボナンシ氏は言います。
パス プランナーは最短経路を見つけるとすぐにロボットのモーターに信号を送信し、モーターがプローブを操作して各接触点での測定を連続して実行します。
このアプローチの速度の鍵となるのは、ニューラル ネットワーク モデルの自己教師型の性質です。このモデルは、ラベル付きトレーニング データを必要とせずに、サンプル画像上で最適なタッチ ポイントを直接決定します。
研究者らはまた、経路計画手順を改善することでシステムの高速化も行いました。彼らは、アルゴリズムに少量のノイズ、つまりランダム性を追加すると、最短経路を見つけるのに役立つことがわかりました。
「この自律型研究室の時代を前進させるにあたり、迅速な革新を可能にするためには、ハードウェアの構築、ソフトウェア、材料科学の理解という 3 つの専門知識がすべて同じチームに集まることが本当に必要です。そして、それがここでの秘密のソースの一部です」と Bevanissi 氏は言います。
豊富なデータ、迅速な結果
システムをゼロから構築した後、研究者は各コンポーネントをテストしました。彼らの結果は、ニューラル ネットワーク モデルが他の 7 つの AI ベースの方法よりも少ない計算時間でより良い接触点を発見したことを示しました。さらに、経路計画アルゴリズムは、他の方法よりも一貫して短いルート計画を発見しました。
完全に自律的な 24 時間実験を実行するためにすべての部品が組み立てられたとき、ロボット システムは 1 時間あたり 125 回を超える速度で 3,000 回以上の固有の光導電率測定を実行しました。
さらに、この正確な測定アプローチによって提供される詳細レベルにより、研究者は材料劣化の領域だけでなく、光伝導性がより高いホットスポットも特定することができました。
「人間の指導を必要とせずに、これほど高速で収集できる豊富なデータを収集できる能力により、特にソーラーパネルのような持続可能性用途向けの、新しい高性能半導体の発見と開発への扉が開かれ始めています」とシーメン氏は言う。
研究者らは、材料発見のための完全自律型実験室の構築を目指して、このロボット システムの構築を継続したいと考えています。
この研究は、特に、First Solar、MIT Energy Initiative を通じた Eni、MathWorks、トロント大学加速コンソーシアム、米国エネルギー省、および米国国立科学財団によって支援されています。
