Bu yeni yöntem, bir malzemenin #elektronik özelliklerini geleneksel yöntemlere kıyasla 85 kat daha hızlı karakterize etmeye olanak tanıyor. Güneş pilleri, transistörler, LED’ler ve piller gibi cihazların performansını iyileştirmek ise, daha önce keşfedilmemiş yeni bileşenlerden oluşan üstün elektronik malzemeler gerektiriyor.
Bilim insanları, gelişmiş fonksiyonel malzemelerin keşfini hızlandırmak için #yapayzeka araçlarını kullanarak yüz milyonlarca kimyasal formülasyon arasından en umut verici olanları belirliyor. Mühendisler ise, yapay zeka tarafından seçilen kimyasal bileşimlere dayanarak aynı anda yüzlerce malzeme örneği basabilen makineler geliştiriyor. Ancak bugüne kadar, bu basılı materyallerin beklenen performansı gösterdiğini hızla doğrulamanın etkili bir yöntemi bulunmuyordu. Malzeme karakterizasyonunun bu son aşaması, gelişmiş malzeme tarama sürecinde kritik bir engel oluşturuyordu.
MIT mühendisleri tarafından geliştirilen yeni bir bilgisayarlı görme tekniği, elektronik malzemelerin karakterizasyon sürecini önemli ölçüde hızlandırıyor. Bu yöntem, basılı yarı iletken örneklerinin görüntülerini otomatik olarak #analiz ederek her bir örneğin bant aralığını belirliyor ve elektron aktivasyon enerjisini ölçerek uzun vadeli kararlılığını hızla tahmin ediyor.
Yeni #teknik, elektronik malzemeleri standart karşılaştırma yöntemlerine göre 85 kat daha hızlı ve doğru bir şekilde karakterize edebiliyor.
Araştırmacılar, #güneşpili malzemelerinin keşfini hızlandırmak için bu tekniği kullanmayı amaçlıyor. Ayrıca, yöntemi tam otomatik bir malzeme tarama sistemine entegre etmeyi de planlıyorlar.
MIT yüksek lisans öğrencisi Eunice Aissi, ‘Son hedefimiz, bu tekniği geleceğin otonom laboratuvarına entegre etmek, ‘Bu sistem, bir malzeme sorununu bilgisayara sunmamıza, olası bileşikleri tahmin etmesine ve ardından istenen çözümü bulana kadar tahmin edilen malzemeleri kesintisiz olarak üretip karakterize etmemize olanak tanıyacak.’ diyor.
MIT yüksek lisans öğrencisi Alexander (Aleks) Siemenn, ‘Bu teknikler, güneş enerjisinin geliştirilmesinden şeffaf elektroniklere ve transistörlere kadar geniş bir uygulama alanına sahip. Yarı iletken malzemelerin topluma sağlayabileceği faydalar oldukça geniş bir yelpazeye yayılıyor.’ diyor.
Aissi ve Siemenn, geçtiğimiz günlerde Nature Communications’da yayımlanan çalışmalarında yeni bir teknik hakkında bilgi sunuyor. MIT’den ortak yazarlar arasında yüksek lisans öğrencisi Fang Sheng, doktora sonrası araştırmacı Basita Das ve makine mühendisliği profesörü Tonio Buonassisi yer alıyor. Ayrıca, Çukurova Üniversitesi’nden eski misafir profesör Hamide Kavak ve Aalto Üniversitesi’nden misafir doktora sonrası araştırmacı Armi Tiihonen de çalışmaya katkıda bulunmuştur.
Optikte Güç
Yeni elektronik malzemelerin karakterizasyonu, genellikle UV-Vis spektroskopisi adı verilen bir yöntemle gerçekleştirilir. Bu yöntemde, bir masaüstü cihaz kullanılarak malzemenin farklı dalga boylarındaki ışığı nasıl emdiği incelenir ve yarı iletken özelliklerinin başlangıç noktası belirlenir. Ancak, bu hassas işlem uzmanlar tarafından manuel olarak yapıldığından oldukça zaman alıcıdır. Bir uzman saatte ortalama 20 numune analiz edebilirken, bazı baskı teknolojileri saatte 10.000'e kadar farklı malzeme kombinasyonu üretebilmektedir. Bu hız farkı, malzeme geliştirme süreçlerinde ciddi bir darboğaz yaratmaktadır.
Buonassisi, "Manuel karakterizasyon süreci oldukça yavaştır," diyor ve ekliyor, "Ölçümler büyük oranda güvenilir olsa da, malzemeyi bir alt tabakaya yerleştirme hızına günümüz şartlarında uyum sağlamıyorlar."
Karakterizasyon sürecini hızlandırmak ve malzeme taramasındaki büyük bir darboğazı ortadan kaldırmak amacıyla Buonassisi ve ekibi, görüntülerdeki optik özellikleri hızlı ve otomatik bir şekilde analiz edebilmek için bilgisayar algoritmalarının kullanıldığı bilgisayarlı görme alanına yönelmiştir.
Buonassisi, "Optik karakterizasyon yöntemlerinde büyük bir güç bulunmaktadır," diyor ve devamında, "Bilgileri çok hızlı bir şekilde elde edebilirsiniz. Görüntüler, bir insanın işleyemeyeceği ancak bir bilgisayarın makine öğrenimi programının kolaylıkla işleyebileceği, birçok piksel ve dalga boyundan oluşan bir zenginliğe sahiptir." diye ekliyor.
Ekip, belirli elektronik özelliklerin (bant genişliği ve kararlılık) yalnızca görsel bilgilerle, bu bilgiler yeterince detaylı yakalanıp doğru bir şekilde yorumlandığında tahmin edilebileceğini keşfetti.
Araştırmacılar, bu amacı dikkate alarak, elektronik malzemelerin görüntülerini otomatik olarak analiz etmek için iki yeni bilgisayarlı görme algoritması geliştirdi: biri bant genişliğini tahmin etmek, diğeri ise malzemenin kararlılığını değerlendirmek için.
İlk algoritma, hiperspektral görüntülerden detaylı görsel verileri işleyebilmek üzere tasarlanmıştır.
Siemenn açıklamasına göre, "Standart bir kamera görüntüsünün kırmızı, yeşil ve mavi (RGB) olmak üzere üç kanalı varken, hiperspektral görüntülemede 300 kanal bulunmaktadır. Algoritma, bu verileri alıp dönüştürerek bant genişliğini hesaplar ve bu işlemi çok hızlı bir şekilde gerçekleştirir."
İkinci algoritma, standart RGB görüntüleri analiz ederek, zaman içinde malzemenin rengindeki görsel değişikliklere dayanarak malzemenin stabilitesini değerlendirir.
Aissi, "Çalıştığımız malzeme sisteminde renk değişikliğinin, bozulma oranını iyi bir şekilde gösterebileceğini keşfettik." diye belirtiyor.
Malzeme Bileşimleri
Araştırma ekibi, yaklaşık yetmiş basılı yarı iletken örneğinin bant aralığını ve stabilitesini belirlemek için iki yenilikçi algoritma geliştirdi ve uyguladı. Robotik bir yazıcı kullanarak, "fırın tepsisindeki kurabiyeler" gibi tek bir slayda yerleştirilen bu örneklerin her biri, farklı oranlarda perovskit içeren yarı iletken malzemelerin benzersiz kombinasyonlarından oluşuyordu. Ekip, hızlı bozunma eğilimine rağmen gelecek vaat eden bir güneş pili adayı olan perovskitlerin çeşitli formülasyonlarını test ederek en stabil ve verimli yapıları bulmayı hedefledi.
Buonassisi, "İnsanlar, perovskitlerin daha istikrarlı ve yüksek performanslı olması için kompozisyonlarını değiştirerek, biraz şundan biraz bundan ekleyerek denemeler yapıyorlar," diyor.
Ekip, bir slayt üzerine 70 farklı perovskit numunesinin bileşimini bastıktan sonra, slaydı bir hiperspektral kamera ile taradı. Ardından, numuneleri otomatik olarak arka plandan ayırarak görüntüyü "bölümlere ayıran" bir algoritma kullandılar. İzole edilmiş örnekler üzerinde yeni bir bant aralığı algoritması çalıştırıldı ve her bir örnek için bant aralığını otomatik olarak hesaplandı. Bant aralığı belirleme işlemi toplamda yaklaşık altı dakika sürdü.
Siemenn, "Aynı sayıda örneği manuel olarak karakterize etmek genellikle bir alan uzmanına birkaç gün sürebilir." diyor.
Stabilite testi için, ekip aynı lambayı nem, sıcaklık ve ışığa maruz bırakarak çevresel koşulları değiştiren bir odaya yerleştirdi. İki saat boyunca her 30 saniyede bir, numunelerin görüntülerini çekmek için standart bir RGB kamera kullandılar. Daha sonra, her damlacığın renk değişimini veya çeşitli çevresel koşullarda ne kadar bozulduğunu tahmin etmek için ikinci bir algoritmayı zaman içinde numunelerin görüntülerine uyguladılar. Sonuç olarak, algoritma her numunenin dayanıklılığını gösteren bir "kararlılık endeksi" üretti.
Ekip, sonuçlarını kontrol etmek için, aynı damlacıklar üzerinde bir uzmanın yaptığı manuel ölçümlerle karşılaştırmıştır. Uzmanın tahminleriyle kıyaslandığında, ekibin bant genişliği ve stabilite sonuçları sırasıyla %98,5 ve %96,9 doğrulukta ve 85 kat daha hızlı elde edilmiştir.
Siemenn, "Bu algoritmaların karakterizasyon hızını sadece artırmakla kalmayıp, aynı zamanda doğru sonuçlar elde etmeyi de nasıl başardıklarını gördükçe sürekli olarak şaşkınlığa uğradık," diyor ve devamında, "Bu algoritmaları, laboratuvarda geliştirmekte olduğumuz mevcut otomatik malzeme hattına entegre etmeyi planlıyoruz. Böylece, makine öğrenimi kullanarak yeni malzemeleri nerede keşfetmek istediğimizi belirleyebilir, bunları yazdırabilir ve tam otomatik bir şekilde çalıştırarak, tümünü çok hızlı bir şekilde karakterize edebiliriz." diye ekliyor.
Bu çalışma, First Solar tarafından kısmen desteklenmiştir.
by Jennifer Chu | MIT News
Comments