Tuttavia, fino ad oggi non è stato possibile individuare un metodo altrettanto rapido per confermare che questi materiali stampati si comportino effettivamente come previsto. Quest'ultima fase della caratterizzazione dei materiali ha rappresentato un collo di bottiglia significativo nel processo di selezione dei materiali avanzati.

Ora, una nuova tecnica di visione artificiale sviluppata dagli ingegneri del MIT sta accelerando significativamente la caratterizzazione dei materiali elettronici di nuova sintesi. La tecnica analizza automaticamente le immagini di campioni di semiconduttori stampati e calcola rapidamente due proprietà elettroniche chiave per ciascun campione: il band gap (una misura dell'energia di attivazione degli elettroni) e la stabilità (una misura della longevità).

La nuova tecnica caratterizza con precisione i materiali elettronici 85 volte più velocemente rispetto al metodo di riferimento standard.

I ricercatori intendono utilizzare questa tecnica per accelerare la ricerca di materiali promettenti per le celle solari. Prevedono inoltre di integrarla in un sistema di screening dei materiali completamente automatizzato.

"In definitiva, immaginiamo di integrare questa tecnica in un laboratorio autonomo del futuro", afferma Eunice Aissi, studentessa di dottorato al MIT. "Il sistema completo ci permetterebbe di sottoporre un problema sui materiali a un computer, di fargli prevedere i potenziali composti e poi di farlo funzionare 24 ore su 24, 7 giorni su 7, fabbricando e caratterizzando i materiali previsti fino a raggiungere la soluzione desiderata.".

"Il campo di applicazione di queste tecniche spazia dal miglioramento dell'energia solare all'elettronica trasparente e ai transistor", aggiunge Alexander (Aleks) Siemenn, studente laureato al MIT. "Copre davvero l'intera gamma di settori in cui i materiali semiconduttori possono apportare benefici alla società.".

Aissi e Siemenn descrivono in dettaglio la nuova tecnica in un nuovo studio pubblicato oggi su Nature Communications. I loro coautori al MIT sono lo studente di dottorato Fang Sheng, la ricercatrice post-dottorato Basita Das e il professore di ingegneria meccanica Tonio Buonassisi, insieme all'ex professore ospite Hamide Kavak dell'Università di Cukurova e alla ricercatrice post-dottorato ospite Armi Tiihonen dell'Università Aalto.

Potenza ottica

Una volta sintetizzato un nuovo materiale elettronico, la caratterizzazione delle sue proprietà viene solitamente effettuata da un "esperto in materia" che esamina un campione alla volta utilizzando uno strumento da banco chiamato spettrometro UV-Vis, il quale analizza diversi colori di luce per determinare in quale punto il semiconduttore inizia ad assorbire con maggiore intensità. Questo processo manuale è preciso, ma anche lento: un esperto in materia caratterizza in genere circa 20 campioni di materiale all'ora, un ritmo lentissimo rispetto ad alcune stampanti che possono stampare 10.000 diverse combinazioni di materiali all'ora.

"Il processo di caratterizzazione manuale è molto lento", afferma Buonassisi. "Offre un elevato grado di affidabilità nella misurazione, ma non è al passo con la velocità con cui oggi è possibile applicare il materiale a un substrato.".

Per velocizzare il processo di caratterizzazione ed eliminare uno dei maggiori colli di bottiglia nella selezione dei materiali, Buonassisi e i suoi colleghi si sono rivolti alla visione artificiale, un campo che applica algoritmi informatici per analizzare in modo rapido e automatico le caratteristiche ottiche di un'immagine.

"I metodi di caratterizzazione ottica sono molto potenti", sottolinea Buonassisi. "È possibile ottenere informazioni molto rapidamente. Le immagini contengono una grande quantità di dettagli, distribuiti su molti pixel e lunghezze d'onda, che un essere umano non è in grado di elaborare, ma che un programma di apprendimento automatico può gestire."

Il team si rese conto che alcune proprietà elettroniche, in particolare la separazione e la stabilità delle bande, potevano essere stimate basandosi esclusivamente su informazioni visive, a condizione che queste fossero acquisite con sufficiente dettaglio e interpretate correttamente.

Con questo obiettivo in mente, i ricercatori hanno sviluppato due nuovi algoritmi di visione artificiale per interpretare automaticamente le immagini di materiali elettronici: uno per stimare la larghezza di banda e un altro per determinarne la stabilità.

Il primo algoritmo è progettato per elaborare dati visivi provenienti da immagini iperspettrali ad alta definizione.

"Anziché una normale immagine ripresa da una telecamera con tre canali (rosso, verde e blu, RGB), l'immagine iperspettrale ne ha 300", spiega Siemenn. "L'algoritmo prende questi dati, li trasforma e calcola la larghezza di banda. Eseguiamo questo processo a una velocità estremamente elevata.".

Il secondo algoritmo analizza immagini RGB standard e valuta la stabilità di un materiale in base alle variazioni visive del colore del materiale nel tempo.

"Abbiamo scoperto che il cambiamento di colore può essere un buon indicatore del tasso di degradazione del sistema di materiali che stiamo studiando", spiega Aissi.

Composizioni dei materiali

Il team ha applicato i due nuovi algoritmi per caratterizzare il band gap e la stabilità di circa 70 campioni di semiconduttori stampati. Hanno utilizzato una stampante robotizzata per depositare i campioni su un singolo vetrino, come biscotti su una teglia. Ogni deposito è stato effettuato con una combinazione leggermente diversa di materiali semiconduttori. In questo caso, il team ha stampato diverse proporzioni di perovskiti, un tipo di materiale che si prevede sia un promettente candidato per le celle solari, sebbene sia anche noto per la sua rapida degradazione.

"Le persone cercano di modificare la composizione, aggiungendo un po' di questo, un po' di quello, per cercare di rendere le perovskiti più stabili e performanti", spiega Buonassisi.

Dopo aver stampato su un singolo vetrino 70 diverse composizioni di campioni di perovskite, il team ha scansionato il vetrino con una telecamera iperspettrale. Hanno quindi applicato un algoritmo che segmenta visivamente l'immagine, isolando automaticamente i campioni dallo sfondo. Hanno poi eseguito il nuovo algoritmo di separazione delle bande sui campioni isolati e calcolato automaticamente la separazione delle bande per ciascun campione. L'intero processo di estrazione del band gap ha richiesto circa sei minuti.

"Normalmente, un esperto del settore impiegherebbe diversi giorni per caratterizzare manualmente lo stesso numero di campioni", afferma Siemenn.

Per testare la stabilità, il team ha posizionato lo stesso vetrino in una camera in cui venivano variate le condizioni ambientali, come umidità, temperatura ed esposizione alla luce. Hanno utilizzato una telecamera RGB standard per scattare un'immagine dei campioni ogni 30 secondi per due ore. Hanno quindi applicato il secondo algoritmo alle immagini di ciascun campione nel tempo per stimare il grado di cambiamento di colore o di degradazione di ciascuna goccia nelle diverse condizioni ambientali. Infine, l'algoritmo ha prodotto un "indice di stabilità", ovvero una misura della durabilità di ciascun campione.

Per verificare ciò, il team ha confrontato i propri risultati con misurazioni manuali delle stesse gocce effettuate da un esperto del settore. Rispetto alle stime di riferimento dell'esperto, i risultati del team per il band gap e la stabilità sono risultati rispettivamente più accurati del 98,5% e del 96,9%, e 85 volte più veloci.

"Siamo rimasti costantemente stupiti da come questi algoritmi fossero in grado non solo di aumentare la velocità di caratterizzazione, ma anche di ottenere risultati accurati", afferma Siemenn. "Abbiamo immaginato che ciò potesse integrarsi nell'attuale pipeline automatizzata per i materiali che stiamo sviluppando in laboratorio, in modo da poterla eseguire in modo completamente automatizzato, utilizzando l'apprendimento automatico per guidarci nella scoperta di questi nuovi materiali, stampandoli e caratterizzandoli, il tutto con un'elaborazione molto rapida."

Questo lavoro è stato parzialmente finanziato da First Solar.

Autore: Jennifer Chu, MIT Notizie