MIT News
Um novo método de visão por computador, 85 vezes mais rápido que os métodos convencionais, pode acelerar o rastreio das propriedades eletrónicas dos materiais.
De modo a aumentar o desempenho das células solares, transístores, LEDs e baterias, é necessário encontrar melhores materiais eletrónicos — com composições ainda não descobertas.
Segundo comunicado publicado no site da universidade, uma equipa de cientistas do MIT está a utilizar ferramentas de Inteligência Artificial para identificar materiais promissores entre as diversas formulações químicas.
A equipa está também a construir máquinas que conseguem imprimir centenas de amostras de materiais de cada vez com base em composições químicas identificadas por algoritmos de pesquisa de IA.
Num novo estudo, publicado esta terça-feira na Nature Communications, os cientistas comprovaram que uma nova técnica de visão por computador acelera a caracterização de materiais eletrónicos recentemente sintetizados.
A técnica analisa automaticamente imagens impressas e calcula rapidamente duas propriedades eletrónicas fundamentais para cada amostra: o intervalo de banda (medida da energia de ativação dos eletrões) e a estabilidade (medida da longevidade).
“Pretendemos integrar esta técnica num laboratório autónomo do futuro”, diz coautora do estudo Eunice Aissi.
Uma vez sintetizado um novo material eletrónico, a caracterização das suas propriedades é realizada por um especialista na área que examina uma amostra de cada vez utilizando uma ferramenta chamada UV-Vis, que analisa diferentes cores de luz.
“O espaço de aplicação destas técnicas vai desde a melhoria da energia solar até à eletrónica transparente e aos transístores”, acrescenta o primeiro autor do estudo, Alexander Siemenn. “Abrange realmente toda a gama de aplicações em que os materiais semicondutores podem beneficiar a sociedade”.
Os investigadores desenvolveram dois novos algoritmos de visão por computador para interpretar imagens de materiais eletrónicos: um para estimar o intervalo de banda o outros para determinar a estabilidade.
Siemenn, A.E. et al / nature communications
O primeiro algoritmo foi feito para processar dados visuais de imagens hiperespectrais altamente detalhadas. O segundo algoritmo analisa imagens RGB padrão e avalia a estabilidade de um material com base nas alterações visuais da cor do material ao longo do tempo.
A equipa aplicou os dois novos algoritmos para caraterizar o intervalo de banda e a estabilidade de cerca de 70 amostras semicondutoras impressas. Seguidamente, utilizaram uma impressora robótica para depositar amostras numa única lâmina.
Cada depósito foi efetuado com uma combinação ligeiramente diferente de materiais semicondutores. Neste caso, a equipa imprimiu diferentes proporções de perovskites —um material promissor candidato a célula solar, embora também seja conhecido por se degradar rapidamente.
Uma vez impressas 70 composições diferentes de amostras de perovskite numa única lâmina, a equipa digitalizou a lâmina com uma câmara hiperespectral. De seguida, aplicaram um algoritmo que “segmenta” visualmente a imagem, isolando automaticamente as amostras do fundo.
Os investigadores aplicaram então o novo algoritmo de intervalo de banda às amostras isoladas e calcularam-no automaticamente para cada amostra. Todo o processo de extração do intervalo de banda demorou cerca de seis minutos.
Seguidamente, a equipa colocou a mesma lâmina numa câmara com variações de temperatura, como a humidade, a temperatura e a exposição à luz.
Por fim, o algoritmo deduziu um “índice de estabilidade“, ou seja, uma medida da durabilidade de cada amostra. A equipa comparou ainda os seus resultados com medições manuais das mesmas gotículas, efetuadas por um perito da área.
Em comparação com as estimativas de referência do investigador, os resultados da equipa em termos de intervalo de banda e estabilidade foram 98,5% e 96,9% mais precisos, respetivamente, e 85 vezes mais rápidos.
“Prevemos que isto se encaixe nos materiais automatizados que estamos a desenvolver no laboratório para que possamos executá-lo de forma totalmente automatiza, utilizando a aprendizagem automática para descobrir estes novos materiais”, conclui Siemenn.
