Aumentar o desempenho de células solares, transistores, LEDs e baterias exigirá melhores materiais eletrônicos, feitos a partir de novas composições que ainda precisam ser descobertas.

Para acelerar a busca por materiais funcionais avançados, os cientistas estão usando ferramentas de IA para identificar materiais promissores em centenas de milhões de formulações químicas. Paralelamente, os engenheiros estão construindo máquinas que podem imprimir centenas de amostras de materiais por vez, com base em composições químicas marcadas por algoritmos de pesquisa de IA.

Mas até o momento, não houve uma maneira igualmente rápida de confirmar se esses materiais impressos realmente funcionam conforme o esperado. Esta última etapa da caracterização do material tem sido um grande gargalo no processo de triagem de materiais avançados.

Agora, uma nova técnica de visão computacional desenvolvida por engenheiros do MIT acelera significativamente a caracterização de materiais eletrônicos recém-sintetizados. A técnica analisa automaticamente imagens de amostras semicondutoras impressas e estima rapidamente duas propriedades eletrônicas importantes para cada amostra: band gap (uma medida da energia de ativação do elétron) e estabilidade (uma medida de longevidade).

A nova técnica caracteriza com precisão materiais eletrônicos 85 vezes mais rápido em comparação com a abordagem de benchmark padrão.

Os pesquisadores pretendem usar a técnica para acelerar a busca por materiais promissores para células solares. Eles também planejam incorporar a técnica em um sistema de triagem de materiais totalmente automatizado.

“Em última análise, pretendemos adaptar esta técnica a um laboratório autônomo do futuro”, diz Eunice Aissi, estudante de pós-graduação do MIT. “Todo o sistema nos permitiria dar a um computador um problema de materiais, fazer com que ele previsse compostos potenciais e, em seguida, executar 24 horas por dia, 7 dias por semana, criando e caracterizando esses materiais previstos até chegar à solução desejada.”

“O espaço de aplicação para essas técnicas varia desde o aprimoramento da energia solar até eletrônicos e transistores transparentes”, acrescenta Alexander (Aleks) Siemenne, estudante de pós-graduação do MIT. “Isso realmente abrange toda a gama de onde os materiais semicondutores podem beneficiar a sociedade.”

Aissi e Siemens detalham a nova técnica em um estudo publicado hoje na Nature Communications. Seus coautores no MIT incluem o estudante de graduação Fang Sheng, o pós-doutorado Basita Das e o professor de engenharia mecânica Tonio Buonassisi, juntamente com o ex-professor visitante Hamide Kavak da Universidade Cukurova e o pós-doutorado visitante Armi Tiihonen da Universidade Aalto.

Depois que um novo material eletrônico é sintetizado, a caracterização de suas propriedades normalmente é feita por um “especialista em domínio” que examina uma amostra por vez usando uma ferramenta de bancada chamada UV-Vis, que varre diferentes cores de luz para determinar onde está o material eletrônico. o semicondutor começa a absorver com mais força. Esse processo manual é preciso, mas também demorado: um especialista na área normalmente caracteriza cerca de 20 amostras de materiais por hora – um ritmo de lesma em comparação com algumas ferramentas de impressão que podem estabelecer 10.000 combinações diferentes de materiais por hora.

“O processo de caracterização manual é muito lento”, diz Buonassisi. “Eles proporcionam uma grande confiança na medição, mas não são compatíveis com a velocidade com que você pode colocar matéria em um substrato hoje em dia.”

Para acelerar o processo de caracterização e eliminar um dos maiores gargalos na triagem de materiais, Buonassisi e seus colegas recorreram à visão computacional – um campo que aplica algoritmos de computador para analisar rápida e automaticamente características ópticas em uma imagem.

A equipe percebeu que certas propriedades eletrônicas — nomeadamente, band gap e estabilidade — poderiam ser estimadas apenas com base em informações visuais, se essas informações fossem capturadas com detalhes suficientes e interpretadas corretamente.

Com esse objetivo em mente, os pesquisadores desenvolveram dois novos algoritmos de visão computacional para interpretar automaticamente imagens de materiais eletrônicos: um para estimar o band gap e outro para determinar a estabilidade.

O primeiro algoritmo é projetado para processar dados visuais de imagens hiperespectrais altamente detalhadas.

“Em vez de uma imagem de câmera padrão com três canais – vermelho, verde e azul (RBG) – a imagem hiperespectral tem 300 canais”, explica Siemenn. “O algoritmo pega esses dados, transforma-os e calcula um band gap. Executamos esse processo extremamente rápido.”

O segundo algoritmo analisa imagens RGB padrão e avalia a estabilidade de um material com base nas mudanças visuais na cor do material ao longo do tempo.

“Descobrimos que a mudança de cor pode ser um bom indicador da taxa de degradação no sistema material que estamos estudando”, diz Aissi.

A equipe aplicou os dois novos algoritmos para caracterizar o band gap e a estabilidade de cerca de 70 amostras de semicondutores impressas. Eles usaram uma impressora robótica para depositar amostras em uma única lâmina, como biscoitos em uma assadeira. Cada depósito foi feito com uma combinação ligeiramente diferente de materiais semicondutores. Neste caso, a equipe imprimiu diferentes proporções de perovskitas – um tipo de material que se espera ser um candidato promissor a células solares, embora também seja conhecido por se degradar rapidamente.

“As pessoas estão tentando mudar a composição – adicionar um pouco disso, um pouco daquilo – para tentar tornar [as perovskitas] mais estáveis e de alto desempenho”, diz Buonassisi.

Depois de imprimir 70 composições diferentes de amostras de perovskita em um único slide, a equipe escaneou o slide com uma câmera hiperespectral. Em seguida, aplicaram um algoritmo que “segmenta” visualmente a imagem, isolando automaticamente as amostras do fundo. Eles executaram o novo algoritmo de band gap nas amostras isoladas e calcularam automaticamente o band gap para cada amostra. Todo o processo de extração de band gap levou cerca de seis minutos.

“Normalmente, um especialista no domínio levaria vários dias para caracterizar manualmente o mesmo número de amostras”, diz Siemenne.

Para testar a estabilidade, a equipe colocou a mesma lâmina em uma câmara onde variaram as condições ambientais, como umidade, temperatura e exposição à luz. Eles usaram uma câmera RGB padrão para tirar uma imagem das amostras a cada 30 segundos durante duas horas. Eles então aplicaram o segundo algoritmo às imagens de cada amostra ao longo do tempo para estimar o grau em que cada gota mudou de cor ou se degradou sob várias condições ambientais. No final, o algoritmo produziu um “índice de estabilidade”, ou uma medida da durabilidade de cada amostra. 

Para verificar, a equipe comparou seus resultados com medições manuais das mesmas gotículas, feitas por um especialista na área. Em comparação com as estimativas de benchmark do especialista, os resultados de band gap e estabilidade da equipe foram 98,5% e 96,9% mais precisos, respectivamente, e 85 vezes mais rápidos.

“Ficamos constantemente chocados com a forma como esses algoritmos foram capazes não apenas de aumentar a velocidade de caracterização, mas também de obter resultados precisos”, diz Siemenn. “Prevemos essa inserção no atual pipeline de materiais automatizados que estamos desenvolvendo no laboratório, para que possamos executá-lo de forma totalmente automatizada, usando aprendizado de máquina para orientar onde queremos descobrir esses novos materiais, imprimi-los e, em seguida, na verdade, caracterizando-os, tudo com processamento muito rápido.”

Este trabalho foi apoiado, em parte, pela First Solar