但迄今为止，还没有同样快捷的方法来确认这些打印材料是否真的能达到预期性能。材料表征的最后这一步骤一直是先进材料选择过程中的一个重大瓶颈。.
如今，麻省理工学院工程师开发的一种新型计算机视觉技术正在显著加快新合成电子材料的表征速度。该技术能够自动分析印刷半导体样品的图像，并快速计算每个样品的两个关键电子特性：带隙（衡量电子活化能的指标）和稳定性（衡量寿命的指标）。.
这项新技术能够比标准参考方法快 85 倍，准确地表征电子材料。.
研究人员计划利用这项技术加速寻找有前景的太阳能电池材料。他们还计划将这项技术整合到一个全自动材料筛选系统中。.
“最终，我们设想将这项技术融入到未来的独立实验室中，”麻省理工学院研究生尤妮斯·艾西说道。“这套完整的系统将使我们能够向计算机提出材料问题，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，直到我们找到所需的解决方案。”.
“这些技术的应用领域非常广泛，从提高太阳能利用率到透明电子器件和晶体管，无所不包，”麻省理工学院研究生亚历山大·西门（Alexander (Aleks) Siemenn）补充道，“它真正涵盖了半导体材料能够造福社会的所有领域。”.
艾西和西门在今天发表于《自然通讯》的一项新研究中详细介绍了这项新技术。他们在麻省理工学院的合作者包括研究生方胜、博士后研究员巴希塔·达斯和机械工程教授托尼奥·博纳西西，以及丘库罗瓦大学的前访问教授哈米德·卡瓦克和阿尔托大学的访问博士后研究员阿尔米·蒂霍宁。.
光功率
一旦合成出新的电子材料，其性能表征通常由“领域专家”进行。专家使用一种名为紫外-可见分光光度计的台式仪器，一次检测一个样品。该仪器扫描不同颜色的光，以确定半导体开始强烈吸收光的位置。这种人工方法虽然精确，但速度很慢：领域专家通常每小时只能表征约 20 个材料样品，与某些每小时可打印 10,000 种不同材料组合的打印工具相比，速度简直慢如蜗牛。.
“手动表征过程非常缓慢，”布奥纳西西说。“虽然它能让你对测量结果充满信心，但它跟不上如今材料涂覆到基材上的速度。”.
为了加快表征过程并消除材料筛选中最大的瓶颈之一，布奥纳西西和他的同事们转向了计算机视觉，这是一个应用计算机算法来快速自动分析图像光学特性的领域。.
“光学表征方法非常强大，”布奥纳西西指出。“可以非常快速地获取信息。图像中蕴含着丰富的细节，涵盖众多像素和波长，这是人类无法处理但机器学习计算机程序可以处理的。”
研究团队意识到，如果能够足够详细地捕捉视觉信息并正确解读，就可以仅根据视觉信息来估算某些电子特性，即能带分离和稳定性。.
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：一种用于估计带宽，另一种用于确定稳定性。.
第一个算法旨在处理来自高精度高光谱图像的视觉数据。.
西门子解释说：“与只有三个通道（红、绿、蓝 (RGB)）的标准相机图像不同，高光谱图像有 300 个通道。算法获取这些数据，对其进行转换，并计算带宽。我们以极快的速度运行这个过程。”.
第二个算法分析标准 RGB 图像，并根据材料颜色随时间变化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指示我们正在研究的材料系统的降解速率，”艾西解释说。.
材料组成
研究团队运用两种新算法对约70个印刷半导体样品的带隙和稳定性进行了表征。他们使用机器人打印机将样品沉积到单个载玻片上，就像在烤盘上放饼干一样。每次沉积都使用了略有不同的半导体材料组合。在本研究中，研究团队印刷了不同比例的钙钛矿材料。钙钛矿是一种有望成为太阳能电池候选材料的物质，但已知其降解速度很快。.
“人们试图改变成分——添加一点这个，一点那个——以使[钙钛矿]更稳定、性能更高，” 布奥纳西西解释说。
研究团队将70种不同成分的钙钛矿样品打印到同一张载玻片上后，使用高光谱相机扫描了该载玻片。随后，他们应用了一种图像分割算法，自动将样品从背景中分离出来。接着，他们对分离出的样品运行了新的能带分离算法，并自动计算出每个样品的能带分离度。整个能带隙提取过程大约耗时六分钟。.
“通常情况下，该领域的专家需要几天时间才能手动对相同数量的样本进行表征，” 西门子说。
为了测试稳定性，研究团队将同一张载玻片置于一个环境条件（例如湿度、温度和光照）不断变化的实验舱中。他们使用一台标准的RGB相机，每隔30秒拍摄一次样本图像，持续两个小时。然后，他们将第二个算法应用于每个样本随时间变化的图像，以评估每个液滴在不同环境条件下颜色变化或降解的程度。最终，该算法生成了一个“稳定性指数”，即衡量每个样本耐久性的指标。.
为了验证这一点，研究团队将他们的结果与一位领域专家对相同液滴进行的手动测量结果进行了比较。与专家的基准估计值相比，研究团队在带隙和稳定性方面的测量结果准确率分别提高了98.5%和96.9%，速度也快了85倍。.
“这些算法不仅能提高表征速度，还能获得精确的结果，这让我们感到非常惊讶，”西门子说道。“我们设想，这可以融入我们实验室正在开发的自动化材料流程中，从而实现全自动运行，利用机器学习引导我们发现这些新材料，并对其进行打印和表征，所有操作都能以极快的速度完成。”
这项工作的部分资金由 First Solar 公司提供。.
作者： Jennifer Chu，麻省理工学院新闻
