دانشمندان به دنبال کشف نیمه‌رساناهای جدیدی هستند که بتوانند بازده انرژی سلول‌های خورشیدی و سایر تجهیزات الکترونیکی را افزایش دهند. اما روند پیشرفت در این حوزه، به دلیل کندی در اندازه‌گیری دستی ویژگی‌های کلیدی مواد، با محدودیت مواجه شده است.
اکنون تیمی از پژوهشگران دانشگاه MIT یک سیستم کاملاً خودکار روباتیک طراحی کرده‌اند که می‌تواند این روند را به طرز چشمگیری تسریع کند.
سیستم آن‌ها از یک کاوشگر روباتیک برای سنجش ویژگی الکتریکی مهمی به نام “فوتوکاندوکتانس” (Photoconductance) استفاده می‌کند؛ شاخصی که نشان می‌دهد یک ماده تا چه اندازه تحت تاثیر نور، واکنش الکتریکی از خود نشان می‌دهد.
در این طرح، دانش تخصصی انسان‌ها در حوزه علم مواد در دل مدل یادگیری ماشین سیستم تزریق شده است تا تصمیم‌گیری روبات هوشمندانه‌تر شود. این کمک می‌کند تا روبات بتواند بهترین نقاط تماس روی نمونه را برای دریافت بیشترین اطلاعات از ویژگی فوتوکاندوکتانس شناسایی کرده و در عین حال اطمینان حاصل کند که سریع‌ترین مسیر ممکن بین این نقاط طی می‌شود.
در آزمایش ۲۴ ساعته، این سیستم خودکار توانست با دقت و پایداری بیشتر نسبت به سایر روش‌های مبتنی بر هوش مصنوعی، بیش از ۱۲۵ اندازه‌گیری منحصر به‌فرد در هر ساعت انجام دهد.
با افزایش چشمگیر سرعت در شناسایی ویژگی‌های حیاتی مواد نیمه‌رسانای جدید، این سیستم می‌تواند مسیر را برای ساخت سلول‌های خورشیدی پربازده‌تر هموار کند.
Tonio Buonassisi، استاد مهندسی مکانیک و از نویسندگان اصلی مقاله مرتبط با این پروژه، می‌گوید:
«این پژوهش بسیار هیجان‌انگیز است چون راهکاری برای انجام خودکار و تماسی اندازه‌گیری‌های دقیق فراهم می‌کند. چون بسیاری از ویژگی‌های مهم مواد تنها از طریق تماس فیزیکی و نه روش‌های غیرتماسی قابل سنجش هستند، این کار اهمیت زیادی دارد.»
از سال ۲۰۱۸، پژوهشگران این آزمایشگاه در تلاش بوده‌اند تا آزمایشگاهی کاملاً خودکار برای کشف مواد ایجاد کنند. تمرکز آن‌ها به‌ویژه روی مواد جدیدی به نام «پروسکایت»ها است که در ساخت سلول‌های خورشیدی کاربرد دارند.
در گذشته روش‌هایی برای ترکیب سریع پروسکایت‌ها و نیز روش‌های مبتنی بر بینایی ماشین برای شناسایی برخی ویژگی‌های مواد توسعه یافته‌اند. اما برای تحلیل دقیق فوتوکاندوکتانس، لازم است پروب روی نمونه قرار بگیرد و در حضور نور، پاسخ الکتریکی ماده ثبت شود.
برای بهینه‌سازی عملکرد آزمایشگاه، تیم MIT سیستمی را طراحی کرد که ترکیبی از یادگیری ماشین، روباتیک و دانش علم مواد است. ابتدا روبات با دوربین خود از نمونه پروسکایتی عکس می‌گیرد. سپس با استفاده از بینایی ماشین تصویر را به بخش‌هایی تقسیم کرده و این اطلاعات را وارد یک شبکه عصبی عمیق می‌کند که اطلاعات تخصصی دانشمندان مواد را نیز در خود دارد.
این سیستم نقاط بهینه روی نمونه برای تماس پروب را مشخص کرده و سپس مسیر حرکت بهینه را تعیین می‌کند. این ویژگی بسیار حیاتی است؛ چرا که نمونه‌ها اشکال بسیار متنوعی دارند و ایجاد الگوریتمی که بتواند با این تنوع سازگار باشد، یک چالش مهم است.
هنگامی که مسیر حرکت مشخص شد، سیگنال‌هایی به موتورها ارسال می‌شود تا بازوی روباتی پروب را بر روی نقاط مختلف قرار دهد و اندازه‌گیری‌ها را با سرعت بالا انجام دهد.
نکته مهم، آن است که مدل شبکه عصبی به صورت خودنظارتی کار می‌کند؛ یعنی برای آموزش نیازی به داده‌های دارای برچسب (labeled data) ندارد. همچنین افزودن مقدار کمی نویز (تصادفی بودن) به الگوریتم مسیریابی، به آن کمک کرده تا کوتاه‌ترین مسیر را بیابد.
پس از طراحی کامل سیستم، تیم پژوهشی هر بخش را به‌طور مستقل آزمایش کرد و دریافت که مدل شبکه عصبی، با محاسبات کمتر نسبت به هفت روش دیگر مبتنی بر هوش مصنوعی، نتایج دقیق‌تری ارائه می‌دهد. الگوریتم مسیریابی نیز همواره مسیرهای بهینه‌تری نسبت به روش‌های دیگر پیدا کرد.
در آزمایش کامل ۲۴ ساعته، روبات سیستم موفق شد بیش از ۳۰۰۰ اندازه‌گیری فوتوکاندوکتانس یکتا انجام دهد؛ یعنی نرخ بیش از ۱۲۵ اندازه‌گیری در هر ساعت.
دقت بالای این اندازه‌گیری‌ها به پژوهشگران این امکان را داد که مناطق با فوتوکاندوکتانس بالاتر و همچنین بخش‌هایی از نمونه که دچار افت عملکرد شده‌اند را به‌وضوح شناسایی کنند.
«این‌که بتوانیم چنین داده غنی‌ای را با این سرعت بالا و بدون مداخله انسان جمع‌آوری کنیم، درهای تازه‌ای را برای کشف مواد نیمه‌رسانای پرکاربرد در زمینه پایداری، مانند سلول‌های خورشیدی، باز می‌کند» Siemenn می‌گوید.
گام بعدی این تیم، ادامه توسعه این سیستم و حرکت به سمت ایجاد یک آزمایشگاه کاملاً خودکار برای کشف مواد است.
حامیان این پروژه عبارتند از: شرکت First Solar، شرکت Eni (از طریق ابتکار انرژی MIT)، شرکت MathWorks، کنسرسیوم Acceleration دانشگاه تورنتو، وزارت انرژی آمریکا و بنیاد ملی علوم ایالات متحده.
