提高太阳能电池、晶体管、LED和电池的性能需要更好的电子材料，这些材料是由尚未发现的新成分制成的。

为了加快寻找先进功能材料的速度，科学家们正在使用人工智能工具从数亿种化学配方中识别有前途的材料。与此同时，工程师们正在建造一台机器，可以根据人工智能搜索算法标记的化学成分一次打印数百个材料样本。

但到目前为止，还没有类似的快速方法来确认这些打印材料的实际性能是否如预期的那样。材料表征的最后一步一直是先进材料筛选管道的主要瓶颈。

现在，麻省理工学院的工程师开发了一种新的计算机视觉技术，大大加快了对新合成电子材料的表征。该技术自动分析打印半导体样品的图像，并快速估计每个样品的两个关键电子特性：带隙（电子活化能的度量）和稳定性（寿命的度量）。

与标准基准方法相比，新技术准确表征电子材料的速度快了85倍。

研究人员打算利用这项技术来加速寻找有前途的太阳能电池材料。他们还计划将这项技术纳入全自动材料筛选系统。

麻省理工学院研究生尤尼斯·艾西说：“最终，我们设想将这项技术应用到未来的自主实验室中。整个系统将允许我们给计算机一个材料问题，让它预测潜在的化合物，然后24小时不间断地制作和表征这些预测的材料，直到得到所需的解决方案。”

“这些技术的应用范围从改善太阳能到透明电子和晶体管，”麻省理工学院研究生亚历山大（亚历克斯）西门子补充道。“它确实涵盖了半导体材料可以造福社会的所有领域。”

尤尼斯·艾西和亚历山大·西门子在今天发表在《自然通讯》上的一项研究中详细介绍了这项新技术。他们的共同作者包括麻省理工学院的研究生方生，博士后巴斯塔·达斯和机械工程教授安东尼奥·博纳西，以及库库罗娃大学的前客座教授哈米德·卡瓦克和阿尔托大学的访问博士后阿米·蒂霍宁。

光学中的力量

一旦一种新的电子材料被合成，其特性的表征通常由“领域专家”处理，他们使用一种称为UV-Vis的台式工具一次检查一个样品，该工具扫描不同颜色的光，以确定半导体从哪里开始吸收更强。这种手工过程是精确的，但也很耗时：一个领域专家通常每小时可以打印大约20个材料样品，与一些打印工具每小时可以打印10000种不同的材料组合相比，这是一个蜗牛的速度。

“手动表征过程非常缓慢，”博纳西说。“它们让你对测量结果有很高的信心，但它们与现在你把物质放在衬底上的速度不匹配。”

为了加快表征过程并清除材料筛选中最大的瓶颈之一，博纳西和他的同事们将目光投向了计算机视觉 —— 一个应用计算机算法快速自动分析图像光学特征的领域。

“光学表征方法是有力量的，”博纳西指出。“你可以很快获得信息。在许多像素和波长上，图像的丰富性是人类无法处理的，但计算机机器学习程序可以。”

研究小组意识到，某些电子特性 —— 即带隙和稳定性 —— 可以仅根据视觉信息来估计，如果这些信息被捕获到足够的细节并得到正确的解释。

考虑到这一目标，研究人员开发了两种新的计算机视觉算法来自动解释电子材料的图像：一种用于估计带隙，另一种用于确定稳定性。

第一种算法用于处理高细节的高光谱图像的视觉数据。

西门子解释说：“高光谱图像有300个通道，而不是标准的相机图像有三个通道 —— 红、绿、蓝（RBG）。该算法获取这些数据，对其进行转换，并计算出带隙。我们的流程运行得非常快。”

第二种算法分析标准RGB图像，并根据材料颜色随时间的视觉变化评估材料的稳定性。

“我们发现颜色变化可以很好地代表我们正在研究的材料系统的降解率，”艾西说。

材料成分

该团队应用这两种新算法来表征约70个打印半导体样品的带隙和稳定性。他们使用机器人打印机将样品沉积在一张幻灯片上，就像在烤盘上放置饼干一样。每种沉积都是由半导体材料的略微不同的组合制成的。在这种情况下，研究小组打印了不同比例的钙钛矿 —— 一种有望成为太阳能电池候选材料的材料，尽管也知道它会迅速降解。

“人们正试图改变钙钛矿的组成 —— 加一点这个，加一点那个 —— 试图使钙钛矿更加稳定和高性能，”博纳西说。

一旦他们在一张载玻片上打印了70种不同成分的钙钛矿样品，研究小组就会用高光谱相机扫描载玻片。然后，他们应用了一种算法，在视觉上“分割”图像，自动将样本从背景中分离出来。他们在孤立的样品上运行新的带隙算法，并自动计算每个样品的带隙。整个带隙提取过程耗时约6分钟。

西门子表示：“通常情况下，一个领域专家需要几天的时间来手动描述相同数量的样本。”

为了测试其稳定性，研究小组将同样的载玻片放在一个房间里，在这个房间里他们改变了环境条件，比如湿度、温度和光照。他们使用标准的RGB相机在两个小时内每30秒拍摄一张样本的图像。然后，他们将第二种算法应用于每个样本随时间变化的图像，以估计每个液滴在各种环境条件下变色或降解的程度。最后，该算法产生了一个“稳定性指数”，或衡量每个样本的耐久性。

作为检查，该团队将他们的结果与领域专家对相同液滴的人工测量结果进行了比较。与专家的基准估计相比，该团队的带隙和稳定性结果的准确性分别为98.5%和96.9%，速度提高了85倍。

西门子说：“这些算法不仅能够提高表征速度，而且还能得到准确的结果，这让我们一直感到震惊。我们确实设想将其插入我们正在实验室开发的当前自动化材料管道中，因此我们可以以完全自动化的方式运行它，使用机器学习来指导我们想要发现这些新材料的地方，打印它们，然后实际描述它们，所有这些都是非常快速的处理。”

*这项工作得到了第一太阳能公司的部分支持。

如果朋友们喜欢，敬请关注“知新了了”！