|
此技术表征材料电子特性的速度比传统方法快 85 倍。要提高太阳能电池、晶体管、发光二极管和电池的性能，就需要由尚未发现的新型成分制成的更好的电子材料。
为了加快寻找先进的功能材料，科学家正在使用人工智能工具从数亿种化学配方中识别有前景的材料。同时，工程师们正在制造能够一次打印数百个材料样品的机器。但到目前为止，还没有同样快速的方法来确认这些打印材料确实能达到预期的效果。材料表征的最后一步一直是先进材料筛选流程中的一个主要瓶颈。
现在，麻省理工学院工程师开发的一种新型计算机视觉技术大大加快了新合成电子材料的表征速度。此技术可自动分析打印半导体样品的影像，并快速估算每个样品的两个关键电子特性：带隙（电子活化能的量度）和稳定性（寿命的量度）。
与标准基准方法相比，新技术可以快 85 倍的速度准确地表征电子材料。研究人员打算利用该技术加快寻找有前景的太阳能电池材料。他们还计划将该技术融入全自动材料筛选系统中。麻省理工学院研究生Eunice Aissi表示：最终，我们设想将这项技术应用到未来的自主实验室中。整个系统可以让我们向计算器提出一个材料问题，让它预测潜在的化合物，然后全天候运行，制造和表征这些预测的材料，直到得到所需的解决方案。麻省理工学院研究生Alexander (Aleks) Siemenn补充道：这些技术的应用空间从改善太阳能到透明电子产品和晶体管。它确实涵盖了半导体材料可以造福社会的各个方面。
Aissi 和 Siemenn 在《自然通讯》杂志上的一项研究中详细介绍了这项新技术。他们在麻省理工学院的合著者包括研究生Fang Sheng、博士后Basita Das、机械工程教授Tonio Buonassisi、以及库库罗瓦大学前客座教授Hamide Kavak和阿尔托大学客座博士后Armi Tiihonen。
光学功率
一旦合成了一种新的电子材料，其特性的表征通常由“领域专家”负责，他们使用一种名为UV-Vis的台式工具一次检查一个样品，该工具通过扫描不同颜色的光来确定材料的特性。这个手动过程非常精确，但也很耗时：一个领域专家通常每小时只能描述大约20个材料样本——与一些每小时可以打印10000 种不同材料组合的打印工具相比，这就像蜗牛的速度。
手动表征过程非常缓慢，”Buonassisi说，“它们让你对测量充满信心，但它们与现在将物质放到基质上的速度不匹配。
为了加快表征过程并消除材料筛选中最大的瓶颈之一，Buonassisi和他的同事研究了计算机视觉——一门应用计算机算法快速自动分析影像中光学特征的领域。
光学表征方法很有威力，Buonassisi 指出，“您可以非常快速地获取信息。影像非常丰富，涵盖许多像素和波长，人类无法处理，但计算机机器学习程序可以。”
研究团队意识到，如果能够捕捉到足够详细的信息并进行正确的解释，那么某些电子特性（即带隙和稳定性）就可以仅基于视觉信息来估算。为了实现这一目标，研究人员开发了两种新的计算机视觉算法来自动解释电子材料的图像：一种用于估计带隙，另一种用于确定稳定性。
第一个算法旨在处理来自高度详细的高光谱影像的视觉数据。“标准相机影像只有三个信道——红、绿、蓝 (RGB)，而高光谱影像有300个信道，”Siemenn解释道，“该算法获取数据，对其进行转换，然后计算带隙。我们的进程非常快。”
第二种算法分析标准RGB影像，并根据材质颜色随时间的视觉变化来评估材料的稳定性。“我们发现颜色变化可以很好地代表我们正在研究的材料系统中的降解率。”Aissi说。
材料成分
团队应用这两种新算法来表征大约 70 个打印半导体样品的带隙和稳定性。他们使用机器人打印机将样本放在一张载玻片上，就像烤盘上的饼干一样。每种沉积物均由略有不同的半导体材料组合制成。在这种情况下，研究团队打印了不同比例的钙钛矿——这种材料有望成为一种有前途的太阳能电池候选材料，但也因其容易迅速降解而广为人知。
人们正在尝试改变其成分——添加一点这个，添加一点那个——以使（钙钛矿）更加稳定、性能更佳，Buonassisi 说。
一旦他们在一张玻片上打印了 70 种不同成分的钙钛矿样品，研究团队就会用高光谱相机扫描玻片。然后他们应用一种算法，从视觉上“分割”图像，自动将样本与背景分开。他们在孤立样本上运行了新的带隙算法，并自动计算每个样本的带隙。整个带隙提取过程大约需要六分钟。“
通常，领域专家需要几天时间才能手动表征相同数量的样本。”Siemenn说。
为了测试稳定性，研究团队将同一张玻片放在室内，改变室内的环境条件，如湿度、温度和光照。他们使用标准RGB相机在两小时内每30秒拍摄一次样本影像。然后，他们将第二种算法应用于每个样本在一段时间内的图像，以估计每个液滴在各种环境条件下变色或退化的程度。最后，该算法产生了一个“稳定性指数”，或者说每个样本耐用性的衡量标准。
为了检查，该团队将他们的结果与领域专家对相同液滴的手动测量进行了比较。与专家的基准估计相比，该团队的带隙和稳定性结果分别准确率为98.5%和96.9%，速度提高了85倍。
“我们一直惊讶于这些算法不仅能够提高表征速度，而且还能获得准确的结果，”Siemenn说，“我们确实设想将其纳入我们实验室正在开发的自动化材料流程中，这样我们就可以以完全自动化的方式运行它，使用机器学习来指导我们想要在哪里发现这些新材料，打印它们，然后实际上是对它们进行表征，所有过程都经过非常快速的处理。”这项工作得到了First Solar的部分支持。
资料引用来源: [EV Design & Manufacturing (EVDM)]
https://www.evdesignandmanufacturing.com/news/technique-characterizes-materials-electronic-properties-85x-faster-than-conventional-methods/
|
