麻省理工學院材料科學領域正在揭開新篇章，研究人員開發了一套全自動機器人系統，旨在加速先進半導體材料的搜索。這項技術旨在解決一個長期存在的挑戰：手動測量新材料關鍵特性的速度緩慢，這限制了太陽能等領域的進展。

該系統的核心是一個能夠測量光電導率的機器人探頭，這一特性揭示了材料對光的響應方式。通過將材料科學家的專業知識集成到機器學習模型中，機器人可以確定在樣品上探測的最具信息量的點。這種方法與專門的規劃算法相結合，使機器人能夠在接觸點之間快速高效地移動。

在一次嚴格的24小時測試中，機器人每小時執行了超過125次獨特的測量，其精度和可靠性超過了之前基于人工智能的方法。這一速度和精度的飛躍可能會加速更高效太陽能電池板和其他電子設備的發展。

"我發現這篇論文非常令人興奮，因為它提供了一種自主、接觸式表征方法的道路，"機械工程教授、該研究的主要作者 Tonio Buonassisi 說。"并非所有材料的重要特性都可以通過非接觸方式測量。如果你需要與樣品接觸，你希望它能夠快速，并且你希望獲得盡可能多的信息。"

由研究生 Alexander Siemenn 領導的研究團隊，以及博士后研究員 Basita Das 和 Kangyu Ji，以及研究生 Fang Sheng，在《科學進展》上發表了他們的研究成果。

這項創新的旅程始于 2018 年，當時 Buonassisi 的實驗室開始建造一個完全自主的材料發現實驗室。最近的努力集中在鈣鈦礦上，這是一種用于太陽能電池板的半導體材料。雖然之前的進步允許快速合成和基于成像的分析，但準確測量光電導仍然需要直接接觸材料。

“為了使我們的實驗實驗室能夠盡可能快和準確運行，我們必須想出一個解決方案，即在盡可能短的時間內運行整個程序的同時，獲得最佳測量結果，”西門解釋道。

系統首先使用其自帶相機捕獲鈣鈦礦樣品的圖像。計算機視覺隨后將圖像分割成多個部分，這些部分由一個結合了化學家和材料科學家專業知識的神經網絡模型進行分析。"這些機器人可以提高我們操作的重復性和精確性，但仍然需要人在回路中。如果我們沒有好的方法將這些化學專家的豐富知識融入機器人，我們將無法發現新材料，"西門恩補充道。

神經網絡根據樣品的形狀和成分識別最佳探針接觸點。這些點隨后被輸入路徑規劃器，該規劃器確定機器人最有效的行進路線。這種方法的適應性至關重要，因為樣品通常具有獨特的形狀。"這幾乎就像測量雪花——很難找到兩個完全相同的，" Buonassisi 說。

一個關鍵創新是神經網絡的自我監督特性，它直接從樣品圖像中選擇最佳接觸點，而無需標記的訓練數據。團隊還通過引入少量隨機性改進了路徑規劃算法，這幫助機器人找到更短的路徑。

"隨著我們進入這個自主實驗室的時代，你確實需要這三種專業知識——硬件構建、軟件和材料科學理解——結合在同一個團隊中，才能快速創新。而這正是這里的秘訣所在，" Buonassisi 說。

在構建系統后，研究人員測試了每個組件。神經網絡在識別接觸點方面優于其他七種基于人工智能的方法，并且計算時間更少，路徑規劃器始終比競爭算法生成更短的路線。在一個完整的24小時自主實驗中，機器人完成了超過3,000次光電導測量，識別了材料中性能良好區域和退化區域。

“能夠以如此快的速度收集如此豐富的數據，而無需人工指導，這開始為發現和發展新型高性能半導體打開了大門，特別是對于可持續性應用，如太陽能電池板，”西門子說。

展望未來，該團隊計劃進一步完善系統，朝著建立一個完全自主的材料發現實驗室的目標努力。該項目得到了包括 First Solar、通過 MIT 能源倡議的 Eni、MathWorks、多倫多大學加速聯盟、美國能源部和美國國家科學基金會的支持。