انقلاب در کشف مواد آینده با ربات شکارچی نور

پژوهشگران مؤسسه فناوری ماساچوست (MIT) موفق به توسعه یک سامانه رباتیک کاملاً خودکار شده‌اند که می‌تواند با سرعت و دقت بالا یکی از مهم‌ترین خواص الکتریکی مواد نیمه‌رسانا را اندازه‌گیری کند؛ دستاوردی که می‌تواند روند کشف و توسعه نسل جدیدی از پنل‌های خورشیدی و سایر تجهیزات الکترونیکی را شتاب بخشد.

در حالی که تلاش برای کشف مواد نیمه‌رسانای جدید به‌منظور افزایش بازدهی سلول‌های خورشیدی ادامه دارد، فرایند‌های کند و دستی اندازه‌گیری خواص این مواد، یکی از موانع اصلی پیشرفت در این زمینه محسوب می‌شود. سامانه جدید MIT با استفاده از یک بازوی رباتیک، خاصیتی به‌نام «فوتورسانایی» (photoconductance) را اندازه‌گیری می‌کند؛ معیاری که نشان می‌دهد یک ماده تا چه اندازه در برابر نور به جریان الکتریکی پاسخ می‌دهد.

این سامانه با بهره‌گیری از مدل‌های یادگیری ماشین که به‌طور خاص با دانش تخصصی حوزه علم مواد تغذیه شده‌اند، قادر است بهترین نقاط تماس با نمونه‌های آزمایشی را برای اندازه‌گیری دقیق مشخص کند. الگوریتم هوشمند مسیریابی نیز کوتاه‌ترین و سریع‌ترین مسیر میان این نقاط تماس را تعیین کرده و به بازوی رباتیک منتقل می‌کند.

به گزارش مؤسسه فناوری ماساچوست، در جریان یک آزمایش ۲۴ ساعته، این ربات توانست بیش از ۳ هزار اندازه‌گیری منحصر‌به‌فرد را با میانگین بیش از ۱۲۵ اندازه‌گیری در هر ساعت انجام دهد؛ رکوردی فراتر از روش‌های مبتنی بر هوش مصنوعی پیشین و با دقت و قابلیت تکرارپذیری بیشتر.

مسیر تحقق آزمایشگاه‌های کاملاً خودران

از سال ۲۰۱۸ آزمایشگاه تونیو بوناسیزی در MIT، هدف خود را طراحی یک آزمایشگاه خودران برای کشف مواد جدید قرار داده است. تمرکز اصلی پژوهشگران این مجموعه بر کشف مواد پرُآینده‌ای به‌نام «پروسکایت» بوده که کاربرد زیادی در سلول‌های خورشیدی دارند.

در تحقیقات قبلی، این گروه روش‌هایی برای سنتز سریع و چاپ ترکیبات منحصر‌به‌فرد از این مواد توسعه داده و همچنین از روش‌های تصویربرداری برای تعیین برخی از ویژگی‌های آنها بهره برده بودند. با این حال، اندازه‌گیری دقیق فوتورسانایی نیازمند تماس فیزیکی با نمونه، تابش نور و ثبت پاسخ الکتریکی آن است.

برای رسیدن به حداکثر دقت در کوتاه‌ترین زمان ممکن، تیم تحقیقاتی سامانه‌ای را طراحی کرد که سه حوزه متفاوت شامل رباتیک، یادگیری ماشین و علم مواد را در یک فرایند خودکار تلفیق می‌کند.

ابتدا ربات با استفاده از دوربین داخلی خود تصویری از اسلاید حاوی نمونه‌های چاپ‌شده پروسکایت ثبت می‌کند. سپس با بهره‌گیری از بینایی کامپیوتری، تصویر را به بخش‌هایی تقسیم کرده و آن را به یک شبکه عصبی می‌فرستد؛ شبکه‌ای که با دانش تخصصی شیمی‌دان‌ها و دانشمندان مواد تغذیه شده و قادر است نقاط تماس بهینه برای اندازه‌گیری را بر اساس شکل و ترکیب ماده شناسایی کند.

این مدل هوش مصنوعی خودنظارتی (self-supervised) دارد و بدون نیاز به داده‌های برچسب‌خورده آموزشی، قادر به شناسایی بهترین نقاط تماس در تصاویر واقعی نمونه‌هاست. پس از تعیین نقاط، الگوریتم مسیریابی، کوتاه‌ترین مسیر میان آنها را می‌یابد. افزودن میزان اندکی نویز به الگوریتم، در یافتن سریع‌تر مسیر به آن کمک می‌کند.

اندازه‌گیری‌هایی دقیق‌تر و سریع‌تر

تست‌های انجام‌شده نشان دادند که این مدل یادگیری ماشین، نقاط تماس بهتری را در زمانی کمتر نسبت به هفت روش دیگر مبتنی بر هوش مصنوعی شناسایی کرده و همچنین الگوریتم مسیریابی آن، مسیر‌هایی کوتاه‌تر از سایر روش‌ها ارائه داده است.

در یک آزمایش کامل ۲۴ ساعته، ربات موفق شد بیش از ۳۰۰۰ اندازه‌گیری فوتورسانایی منحصر‌به‌فرد را ثبت کند. این سرعت و دقت بالا به پژوهشگران امکان داد تا «نقاط داغ» با فوتورسانایی بالا و همچنین نواحی دارای تخریب ماده را به‌طور دقیق شناسایی کنند.

الکساندر زیمن، نویسنده اصلی این پژوهش، می‌گوید: «توانایی جمع‌آوری این حجم از داده‌های دقیق و در این سرعت بالا، آن هم بدون نیاز به نظارت انسانی، می‌تواند در‌های جدیدی را برای کشف نیمه‌رسانا‌های قدرتمندتر و مناسب برای کاربرد‌های پایداری، به‌ویژه در حوزه انرژی خورشیدی، بگشاید.»

پژوهشگران امیدوارند این سامانه را توسعه داده و به‌سمت تحقق یک آزمایشگاه کاملاً خودران برای کشف مواد نوین حرکت کنند.

این پروژه با حمایت مالی نهادهایی، چون First Solar، شرکت Eni از طریق ابتکار انرژی MIT، شرکت MathWorks، کنسرسیوم شتاب‌دهی دانشگاه تورنتو، وزارت انرژی آمریکا و بنیاد ملی علوم این کشور (NSF) انجام شده است.

انتهای پیام/