انقلاب در کشف مواد آینده با ربات شکارچی نور_غروب شهر

پژوهشگران مؤسسه فناوری ماساچوست (MIT) موفق به گسترش یک سامانه رباتیک کاملاً خودکار شده‌اند که می‌تواند با شدت و دقت بالا یکی از با اهمیت ترین خواص الکتریکی مواد نیمه‌رسانا را اندازه‌گیری کند؛ دستاوردی که می‌تواند روال کشف و گسترش نسل جدیدی از پنل‌های خورشیدی و دیگر تجهیزات الکترونیکی را شتاب بخشد.

در حالی که تلاش برای کشف مواد نیمه‌رسانای تازه به‌منظور افزایش بازدهی سلول‌های خورشیدی ادامه دارد، فرایند‌های کند و دستی اندازه‌گیری خواص این مواد، یکی از مانع ها مهم پیشرفت در این عرصه محسوب می‌شود. سامانه تازه MIT با منفعت گیری از یک بازوی رباتیک، خاصیتی به‌نام «فوتورسانایی» (photoconductance) را اندازه‌گیری می‌کند؛ معیاری که مشخص می کند یک ماده تا چه اندازه در برابر نور به جریان الکتریکی جواب می‌دهد.

این سامانه با منفعت‌گیری از مدل‌های یادگیری ماشین که به‌طور خاص با دانش تخصصی حوزه علم مواد تغذیه شده‌اند، قادر است بهترین نقاط تماس با مثالهای آزمایشی را برای اندازه‌گیری دقیق اشکار کند. الگوریتم هوشمند مسیریابی نیز مختصر‌ترین و سریع‌ترین مسیر بین این نقاط تماس را تعیین کرده و به بازوی رباتیک منتقل می‌کند.

به گزارش مؤسسه فناوری ماساچوست، در جریان یک آزمایش ۲۴ ساعته، این ربات توانست بیشتر از ۳ هزار اندازه‌گیری منحصر‌به‌فرد را با میانگین بیشتر از ۱۲۵ اندازه‌گیری در هر ساعت انجام دهد؛ رکوردی فراتر از راه حلهای مبتنی بر هوش مصنوعی قبل و با دقت و قابلیت تکرارپذیری زیاد تر.

مسیر تحقق آزمایشگاه‌های کاملاً خودران

از سال ۲۰۱۸ آزمایشگاه تونیو بوناسیزی در MIT، مقصد خود را طراحی یک آزمایشگاه خودران برای کشف مواد تازه قرار داده است. تمرکز مهم پژوهشگران این مجموعه بر کشف مواد پرُآینده‌ای به‌نام «پروسکایت» بوده که کاربرد بسیاری در سلول‌های خورشیدی دارند.

در تحقیقات قبلی، این گروه راه حلهایی برای سنتز سریع و چاپ ترکیبات منحصر‌به‌فرد از این مواد گسترش داده و این چنین از راه حلهای تصویربرداری برای تعیین برخی از ویژگی‌های آنها منفعت برده بودند. با این حال، اندازه‌گیری دقیق فوتورسانایی نیازمند تماس فیزیکی با نمونه، تابش نور و ثبت جواب الکتریکی آن است.

برای رسیدن به حداکثر دقت در مختصر‌ترین زمان ممکن، تیم تحقیقاتی سامانه‌ای را طراحی کرد که سه حوزه متفاوت شامل رباتیک، یادگیری ماشین و علم مواد را در یک فرایند خودکار تلفیق می‌کند.

ابتدا ربات با منفعت گیری از دوربین داخلی خود تصویری از اسلاید حاوی مثالهای چاپ‌شده پروسکایت ثبت می‌کند. سپس با منفعت‌گیری از بینایی کامپیوتری، عکس را به قسمت‌هایی تقسیم کرده و آن را به یک شبکه عصبی می‌فرستد؛ شبکه‌ای که با دانش تخصصی شیمی‌دان‌ها و دانشمندان مواد تغذیه شده و قادر است نقاط تماس بهینه برای اندازه‌گیری را بر پایه شکل و ترکیب ماده شناسایی کند.

این مدل هوش مصنوعی خودنظارتی (self-supervised) دارد و بدون نیاز به داده‌های برچسب‌خورده آموزشی، قادر به شناسایی بهترین نقاط تماس در تصاویر واقعی مثالها است. بعد از تعیین نقاط، الگوریتم مسیریابی، مختصر‌ترین مسیر بین آنها را می‌یابد. افزودن مقدار اندکی نویز به الگوریتم، در یافتن سریع تر مسیر به آن پشتیبانی می‌کند.

اندازه‌گیری‌هایی دقیق‌تر و سریع تر

تست‌های انجام‌شده نشان دادند که این مدل یادگیری ماشین، نقاط تماس بهتری را در وقتی کمتر نسبت به هفت روش دیگر مبتنی بر هوش مصنوعی شناسایی کرده و این چنین الگوریتم مسیریابی آن، مسیر‌هایی مختصر‌تر از دیگر راه حلها اراعه داده است.

در یک آزمایش کامل ۲۴ ساعته، ربات موفق شد بیشتر از ۳۰۰۰ اندازه‌گیری فوتورسانایی منحصر‌به‌فرد را ثبت کند. این شدت و دقت بالا به پژوهشگران امکان داد تا «نقاط داغ» با فوتورسانایی بالا و این چنین نواحی دارای تخریب ماده را به‌طور دقیق شناسایی کنند.

الکساندر زیمن، نویسنده مهم این پژوهش، می‌گوید: «توانایی جمع‌آوری این حجم از داده‌های دقیق و در این شدت بالا، آن هم بدون نیاز به نظارت انسانی، می‌تواند در‌های جدیدی را برای کشف نیمه‌رسانا‌های پرقدرت و مناسب برای کاربرد‌های پایداری، به‌اختصاصی در حوزه انرژی خورشیدی، بگشاید.»

پژوهشگران امیدوارند این سامانه را گسترش داده و به‌سمت تحقق یک آزمایشگاه کاملاً خودران برای کشف مواد نوین حرکت کنند.

این پروژه با حمایتمالی نهادهایی، چون First Solar، شرکت Eni از طریق ابتکار انرژی MIT، شرکت MathWorks، کنسرسیوم شتاب‌دهی دانشگاه تورنتو، وزارت انرژی آمریکا و بنیاد ملی علوم این سرزمین (NSF) انجام شده است.

انتهای مطلب/