Développé pour analyser les nouveaux semi-conducteurs, le système pourrait rationaliser le développement de panneaux solaires plus puissants.
Les scientifiques s’efforcent de découvrir de nouveaux matériaux semi-conducteurs susceptibles d’améliorer l’efficacité des cellules solaires et d’autres composants électroniques. Cependant, le rythme de l’innovation est freiné par la vitesse à laquelle les chercheurs peuvent mesurer manuellement les propriétés importantes des matériaux.
Un système robotique entièrement autonome développé par des chercheurs du MIT pourrait accélérer le processus. Leur système utilise une sonde robotisée pour mesurer une propriété électrique importante appelée photoconductance, qui correspond à la réactivité électrique d’un matériau à la présence de lumière.
Les chercheurs injectent les connaissances des experts en science des matériaux dans le modèle d’apprentissage automatique qui guide la prise de décision du robot. Cela permet au robot d’identifier les meilleurs endroits pour mettre la sonde en contact avec un matériau afin d’obtenir le plus d’informations possible sur sa photoconductance, tandis qu’une procédure de planification spécialisée trouve le moyen le plus rapide de se déplacer entre les points de contact.
Au cours d’un test de 24 heures, la sonde robotique entièrement autonome a effectué plus de 125 mesures uniques par heure, avec plus de précision et de fiabilité que d’autres méthodes basées sur l’intelligence artificielle.
En augmentant considérablement la vitesse à laquelle les scientifiques peuvent caractériser les propriétés importantes des nouveaux matériaux semi-conducteurs, cette méthode pourrait stimuler le développement de panneaux solaires produisant plus d’électricité.
« Je trouve cet article extrêmement passionnant, car il ouvre la voie à des méthodes de caractérisation autonomes basées sur le contact. Toutes les propriétés importantes d’un matériau ne peuvent pas être mesurées sans contact. Si vous devez entrer en contact avec votre échantillon, vous voulez que cela se fasse rapidement et que vous puissiez obtenir un maximum d’informations », déclare Tonio Buonassisi, professeur de génie mécanique et auteur principal d’un article sur le système autonome.
Parmi ses coauteurs figurent l’auteur principal Alexander (Aleks) Siemenn, étudiant diplômé, les post-doctorants Basita Das et Kangyu Ji, et l’étudiant diplômé Fang Sheng.
Établir le contact
Depuis 2018, les chercheurs du laboratoire de Buonassisi travaillent à la mise en place d’un laboratoire de découverte de matériaux entièrement autonome. Ils se sont récemment concentrés sur la découverte de nouvelles pérovskites, une classe de matériaux semi-conducteurs utilisés dans les systèmes photovoltaïques tels que les panneaux solaires.
Dans le cadre de travaux antérieurs, ils ont mis au point des techniques permettant de synthétiser et d’imprimer rapidement des combinaisons uniques de matériaux pérovskites. Ils ont également conçu des méthodes basées sur l’imagerie pour déterminer certaines propriétés importantes des matériaux.
Mais la photoconductance est caractérisée avec plus de précision en plaçant une sonde sur le matériau, en l’éclairant et en mesurant la réponse électrique.
« Pour que notre laboratoire expérimental fonctionne aussi rapidement et précisément que possible, nous devions trouver une solution qui permettrait d’obtenir les meilleures mesures tout en minimisant le temps nécessaire à l’exécution de l’ensemble de la procédure », précise M. Siemenn.
Pour ce faire, il a fallu intégrer l’apprentissage automatique, la robotique et la science des matériaux dans un seul système autonome.
Pour commencer, le système robotique utilise sa caméra embarquée pour prendre une image d’une lame sur laquelle est imprimé un matériau pérovskite.
Il utilise ensuite la vision par ordinateur pour découper cette image en segments, qui sont ensuite introduits dans un modèle de réseau neuronal spécialement conçu pour intégrer l’expertise des chimistes et des scientifiques des matériaux.
« Ces robots peuvent améliorer la répétabilité et la précision de nos opérations, mais il est important de conserver une intervention humaine. Si nous ne disposons pas d’un bon moyen d’intégrer les connaissances approfondies de ces experts en chimie dans nos robots, nous ne serons pas en mesure de découvrir de nouveaux matériaux », ajoute M. Siemenn.
Le modèle utilise ces connaissances spécialisées pour déterminer les points optimaux de contact de la sonde en fonction de la forme de l’échantillon et de sa composition matérielle. Ces points de contact sont introduits dans un planificateur de trajectoire qui trouve le moyen le plus efficace pour la sonde d’atteindre tous les points.
L’adaptabilité de cette approche d’apprentissage automatique est particulièrement importante car les échantillons imprimés ont des formes uniques, allant de gouttes circulaires à des structures ressemblant à des bonbons.
« C’est presque comme mesurer des flocons de neige : il est difficile d’en trouver deux qui soient identiques », explique M. Buonassisi.
Une fois que le planificateur de trajectoire a trouvé le chemin le plus court, il envoie des signaux aux moteurs du robot, qui manipulent la sonde et prennent des mesures à chaque point de contact en succession rapide.
La clé de la rapidité de cette approche réside dans la nature auto-supervisée du modèle de réseau neuronal. Le modèle détermine les points de contact optimaux directement sur une image échantillon, sans avoir besoin de données d’entraînement étiquetées.
Les chercheurs ont également accéléré le système en améliorant la procédure de planification de trajectoire. Ils ont découvert qu’ajouter une petite quantité de bruit, ou d’aléatoire, à l’algorithme l’aidait à trouver le chemin le plus court.
« À l’ère des laboratoires autonomes, il est indispensable de réunir ces trois expertises – conception matérielle, logiciels et connaissance de la science des matériaux – au sein d’une même équipe pour pouvoir innover rapidement. C’est là que réside en partie le secret de notre réussite », commente M. Buonassisi.
Des données riches, des résultats rapides
Une fois le système entièrement construit, les chercheurs ont testé chaque composant. Leurs résultats ont montré que le modèle de réseau neuronal trouvait de meilleurs points de contact avec un temps de calcul inférieur à celui de sept autres méthodes basées sur l’IA. De plus, l’algorithme de planification d’itinéraire trouvait systématiquement des itinéraires plus courts que les autres méthodes.
Lorsqu’ils ont assemblé toutes les pièces pour mener une expérience entièrement autonome de 24 heures, le système robotique a effectué plus de 3 000 mesures de photoconductance uniques à un rythme supérieur à 125 par heure.
De plus, le niveau de détail fourni par cette approche de mesure précise a permis aux chercheurs d’identifier les points chauds présentant une photoconductance plus élevée ainsi que les zones de dégradation des matériaux.
« La possibilité de collecter des données aussi riches à un rythme aussi rapide, sans avoir besoin d’une intervention humaine, ouvre la voie à la découverte et au développement de nouveaux semi-conducteurs haute performance, en particulier pour des applications durables telles que les panneaux solaires », conclut M. Siemenn.
Les chercheurs souhaitent continuer à développer ce système robotique afin de créer un laboratoire entièrement autonome dédié à la découverte de matériaux.
Source : MIT
Article : « A self-supervised robotic system for autonomous contact-based spatial mapping of semiconductor properties’ – DOI : 10.1126/sciadv.adw7071
