Однако до настоящего времени не существовало столь же быстрого способа подтвердить, что эти печатные материалы действительно работают так, как ожидается. Этот заключительный этап характеризации материалов стал существенным узким местом в процессе выбора перспективных материалов.

Новая методика компьютерного зрения, разработанная инженерами Массачусетского технологического института, значительно ускоряет характеризацию недавно синтезированных электронных материалов. Эта методика автоматически анализирует изображения напечатанных полупроводниковых образцов и быстро вычисляет два ключевых электронных свойства для каждого образца: ширину запрещенной зоны (показатель энергии активации электронов) и стабильность (показатель долговечности).

Новая методика позволяет в 85 раз быстрее, чем стандартный эталонный метод, точно характеризовать электронные материалы.

Исследователи намерены использовать эту методику для ускорения поиска перспективных материалов для солнечных батарей. Они также планируют интегрировать эту методику в полностью автоматизированную систему скрининга материалов.

«В конечном итоге мы планируем интегрировать эту технологию в автономную лабораторию будущего», — говорит Юнис Айсси, аспирантка Массачусетского технологического института. «Полная система позволит нам поставить перед компьютером задачу по исследованию материалов, получить от него прогноз потенциальных соединений, а затем запускать его круглосуточно, изготавливая и характеризуя эти прогнозируемые материалы до тех пор, пока мы не получим желаемое решение».

«Область применения этих технологий простирается от улучшения солнечной энергии до прозрачной электроники и транзисторов», — добавляет Александр (Алекс) Сименн, аспирант Массачусетского технологического института. «Это действительно охватывает весь спектр областей, где полупроводниковые материалы могут принести пользу обществу».

Айсси и Сименн подробно описывают новую методику в новом исследовании, опубликованном сегодня в журнале Nature Communications. Их соавторами из Массачусетского технологического института являются аспирант Фан Шэн, научный сотрудник Басита Дас и профессор машиностроения Тонио Буонассиси, а также бывший приглашенный профессор Хамиде Кавак из Университета Чукурова и приглашенный научный сотрудник Арми Тиихонен из Университета Аалто.

Оптическая мощность

После синтеза нового электронного материала его характеристики обычно определяются «специалистом в данной области», который исследует каждый образец по отдельности с помощью настольного прибора, называемого УФ-спектрометром. Этот прибор сканирует различные цвета света, чтобы определить, где полупроводник начинает поглощать свет с большей интенсивностью. Этот ручной процесс точен, но и медленен: специалист обычно характеризует около 20 образцов материалов в час, что крайне медленно по сравнению с некоторыми печатными машинами, способными печатать 10 000 различных комбинаций материалов в час.

«Процесс ручной характеризации очень медленный, — говорит Буонассиси. — Он обеспечивает высокую степень достоверности измерений, но не успевает за скоростью нанесения материала на подложку в наши дни».

Чтобы ускорить процесс характеризации и устранить одно из самых больших узких мест в отборе материалов, Буонассиси и его коллеги обратились к компьютерному зрению — области, которая применяет компьютерные алгоритмы для быстрого и автоматического анализа оптических характеристик изображения.

«Методы оптической характеризации очень эффективны», — отмечает Буонассиси. «Информацию можно получить очень быстро. Изображения содержат огромное количество деталей, охватывающих множество пикселей и длин волн, которые человек не может обработать, но которые может обработать компьютерная программа, использующая машинное обучение»

Команда поняла, что некоторые электронные свойства — а именно, расстояние между зонами и стабильность — можно оценить, основываясь исключительно на визуальной информации, если она достаточно детально зафиксирована и правильно интерпретирована.

С этой целью исследователи разработали два новых алгоритма компьютерного зрения для автоматической интерпретации изображений электронных материалов: один для оценки полосы пропускания, а другой для определения стабильности.

Первый алгоритм предназначен для обработки визуальных данных, полученных из высокодетализированных гиперспектральных изображений.

«Вместо стандартного изображения с камеры, имеющего три канала — красный, зеленый и синий (RBG) — гиперспектральное изображение имеет 300 каналов», — объясняет Сименн. «Алгоритм берет эти данные, преобразует их и вычисляет полосу пропускания. Мы выполняем этот процесс чрезвычайно быстро».

Второй алгоритм анализирует стандартные RGB-изображения и оценивает стабильность материала на основе визуальных изменений его цвета с течением времени.

«Мы обнаружили, что изменение цвета может служить хорошим индикатором скорости деградации изучаемой нами материальной системы», — объясняет Аисси.

Состав материалов

Команда применила два новых алгоритма для определения ширины запрещенной зоны и стабильности примерно 70 напечатанных образцов полупроводников. Они использовали роботизированный принтер для нанесения образцов на одну подложку, подобно тому как печенье на противне. Каждое нанесение производилось с использованием немного отличающейся комбинации полупроводниковых материалов. В данном случае команда напечатала различные пропорции перовскитов — типа материала, который, как ожидается, станет перспективным кандидатом для солнечных элементов, хотя известно, что он также быстро деградирует.

«Люди пытаются изменить состав — добавляя немного того, немного этого — чтобы сделать [перовскиты] более стабильными и высокоэффективными», — объясняет Буонассиси.

После того как на одном слайде было нанесено 70 различных образцов перовскита, команда отсканировала слайд с помощью гиперспектральной камеры. Затем они применили алгоритм визуальной сегментации изображения, автоматически отделяя образцы от фона. Они запустили новый алгоритм разделения зон на изолированных образцах и автоматически рассчитали разделение зон для каждого образца. Весь процесс определения ширины запрещенной зоны занял около шести минут.

«Обычно эксперту в этой области потребовалось бы несколько дней, чтобы вручную охарактеризовать такое же количество образцов», — говорит Сименн.

Для проверки стабильности команда поместила один и тот же предметный столик в камеру, где изменялись условия окружающей среды, такие как влажность, температура и воздействие света. Они использовали стандартную RGB-камеру для съемки образцов каждые 30 секунд в течение двух часов. Затем они применили второй алгоритм к изображениям каждого образца с течением времени, чтобы оценить степень изменения цвета или деградации каждой капли в различных условиях окружающей среды. В конечном итоге алгоритм выдал «индекс стабильности», или показатель прочности каждого образца.

Для проверки этого команда сравнила свои результаты с ручными измерениями тех же капель, выполненными экспертом в данной области. По сравнению с базовыми оценками эксперта, результаты команды по ширине запрещенной зоны и стабильности оказались на 98,5% и 96,9% точнее, соответственно, и в 85 раз быстрее.

«Нас постоянно поражало, насколько эти алгоритмы способны не только увеличить скорость характеризации, но и получить точные результаты», — говорит Сименн. «Мы предположили, что это может вписаться в существующий автоматизированный конвейер обработки материалов, который мы разрабатываем в лаборатории, чтобы мы могли запускать его в полностью автоматизированном режиме, используя машинное обучение, чтобы направлять нас к тому, где мы хотим обнаружить эти новые материалы, печатать и характеризовать их, и все это с очень высокой скоростью обработки»

Данная работа частично финансировалась компанией First Solar.

Автор: Дженнифер Чу, MIT News