Mas, até à data, não existe uma forma igualmente rápida de confirmar se estes materiais impressos funcionam realmente como esperado. Esta etapa final na caracterização de materiais tem sido um estrangulamento significativo no processo de seleção de materiais avançados.
Agora, uma nova técnica de visão computacional desenvolvida por engenheiros do MIT está a acelerar significativamente a caracterização de materiais eletrónicos recém-sintetizados. A técnica analisa automaticamente imagens de amostras semicondutoras impressas e calcula rapidamente duas propriedades eletrónicas essenciais para cada amostra: a banda proibida (uma medida da energia de ativação dos eletrões) e a estabilidade (uma medida da longevidade).
A nova técnica caracteriza com precisão os materiais eletrónicos 85 vezes mais rápido do que o método de referência padrão.
Os investigadores pretendem utilizar a técnica para acelerar a procura de materiais promissores para as células solares. Planeiam também incorporar a técnica num sistema de triagem de materiais totalmente automatizado.
"Em última análise, imaginamos incorporar esta técnica num laboratório autossuficiente do futuro", diz Eunice Aissi, estudante de pós-graduação do MIT. "O sistema completo permitir-nos-ia apresentar um problema de materiais a um computador, fazer com que preveja compostos potenciais e depois executá-lo 24 horas por dia, 7 dias por semana, fabricando e caracterizando esses materiais previstos até chegarmos à solução desejada.".
"O campo de aplicação destas técnicas varia desde a melhoria da energia solar até à electrónica transparente e aos transístores", acrescenta Alexander (Aleks) Siemenn, estudante de pós-graduação no MIT. "Abarca realmente toda a gama de áreas em que os materiais semicondutores podem beneficiar a sociedade".
Aissi e Siemenn detalham a nova técnica num novo estudo publicado hoje na Nature Communications. Os seus coautores no MIT são o estudante de pós-graduação Fang Sheng, a pós-doutoranda Basita Das e o professor de engenharia mecânica Tonio Buonassisi, juntamente com a antiga professora visitante Hamide Kavak, da Universidade de Cukurova, e o pós-doutorado visitante Armi Tiihonen, da Universidade de Aalto.
Potência óptica
Uma vez sintetizado um novo material eletrónico, a caracterização das suas propriedades é geralmente realizada por um "especialista no assunto" que examina uma amostra de cada vez utilizando um instrumento de bancada chamado espectrómetro UV-Vis, que digitaliza diferentes cores de luz para determinar onde o semicondutor começa a absorver com maior intensidade. Este processo manual é preciso, mas também lento: um especialista no assunto caracteriza normalmente cerca de 20 amostras de material por hora, um ritmo extremamente lento quando comparado com algumas impressoras 3D que conseguem imprimir 10.000 combinações diferentes de materiais por hora.
"O processo de caracterização manual é muito lento", diz Buonassisi. "Oferece um elevado grau de confiança na medição, mas não acompanha a velocidade com que o material pode ser aplicado num substrato atualmente.".
Para acelerar o processo de caracterização e eliminar um dos maiores estrangulamentos na triagem de materiais, Buonassisi e os seus colegas recorreram à visão computacional, um campo que aplica algoritmos computacionais para analisar de forma rápida e automática as características óticas de uma imagem.
"Os métodos de caracterização ótica são muito poderosos", destaca Buonassisi. "É possível obter informação muito rapidamente. Há uma riqueza de detalhes nas imagens, em vários pixéis e comprimentos de onda, que um ser humano não consegue processar, mas que um programa de computador de aprendizagem automática consegue."
A equipa percebeu que certas propriedades eletrónicas — nomeadamente, a separação e a estabilidade das bandas — podiam ser estimadas com base apenas em informações visuais, desde que estas fossem captadas com detalhe suficiente e interpretadas corretamente.
Com este objetivo em mente, os investigadores desenvolveram dois novos algoritmos de visão computacional para interpretar automaticamente imagens de materiais eletrónicos: um para estimar a largura de banda e outro para determinar a estabilidade.
O primeiro algoritmo foi concebido para processar dados visuais de imagens hiperespectrais altamente detalhadas.
"Em vez de uma imagem de câmara padrão com três canais — vermelho, verde e azul (RGB) — a imagem hiperespectral tem 300 canais", explica Siemenn. "O algoritmo recebe estes dados, transforma-os e calcula a largura de banda. Executamos este processo extremamente rápido.".
O segundo algoritmo analisa imagens RGB padrão e avalia a estabilidade de um material com base nas mudanças visuais na cor do material ao longo do tempo.
"Verificámos que a mudança de cor pode ser um bom indicador da taxa de degradação do sistema de materiais que estamos a estudar", explica Aissi.
Composições de materiais
A equipa aplicou os dois novos algoritmos para caracterizar a banda proibida e a estabilidade de cerca de 70 amostras de semicondutores impressas. Utilizaram uma impressora robótica para depositar as amostras numa única lâmina, como bolachas numa assadeira. Cada depósito foi feito com uma combinação ligeiramente diferente de materiais semicondutores. Neste caso, a equipa imprimiu diferentes proporções de perovskitas, um tipo de material que se espera ser um candidato promissor para as células solares, embora também seja conhecido por se degradar rapidamente.
"As pessoas tentam alterar a composição - acrescentando um pouco disto, um pouco daquilo - para tentar tornar [as perovskitas] mais estáveis e com melhor desempenho", explica Buonassisi.
Após imprimir 70 composições diferentes de amostras de perovskita numa única lâmina, a equipa digitalizou a lâmina com uma câmara hiperespectral. De seguida, aplicaram um algoritmo que segmenta visualmente a imagem, isolando automaticamente as amostras do fundo. Executaram o novo algoritmo de separação de bandas nas amostras isoladas e calcularam automaticamente a separação de bandas para cada amostra. Todo o processo de extração da banda proibida demorou cerca de seis minutos.
"Normalmente, um especialista na área demoraria vários dias a caracterizar manualmente o mesmo número de amostras", diz Siemenn.
Para testar a estabilidade, a equipa colocou a mesma lâmina numa câmara onde as condições ambientais, como a humidade, a temperatura e a exposição à luz, foram variadas. Utilizaram uma câmara RGB padrão para tirar uma fotografia das amostras a cada 30 segundos durante duas horas. De seguida, aplicaram o segundo algoritmo às imagens de cada amostra ao longo do tempo para estimar o grau em que cada gota mudou de cor ou se degradou nas diferentes condições ambientais. Por fim, o algoritmo gerou um "índice de estabilidade", ou seja, uma medida da durabilidade de cada amostra.
Para verificar isso, a equipa comparou os seus resultados com medições manuais das mesmas gotas, feitas por um especialista no assunto. Em comparação com as estimativas iniciais do especialista, os resultados da equipa para a largura de banda e a estabilidade foram 98,5% e 96,9% mais precisos, respetivamente, e 85 vezes mais rápidos.
"Ficamos constantemente impressionados com a capacidade destes algoritmos não só de aumentar a velocidade de caracterização, mas também de obter resultados precisos", afirma Siemenn. "Imaginámos que isto poderia encaixar no atual fluxo de trabalho automatizado de materiais que estamos a desenvolver no laboratório, para que pudéssemos executá-lo de forma totalmente automatizada, utilizando machine learning para nos guiar até onde queremos descobrir estes novos materiais, imprimindo-os e caracterizando-os, tudo com um processamento muito rápido."
Este trabalho foi parcialmente financiado pela First Solar.
Autor: Jennifer Chu, MIT News
