科学家们正在努力探索新型半导体材料，以提升太阳能电池和其他电子设备的效率。然而，创新的速度受到研究人员手工测量重要材料性质的限制。由麻省理工学院（MIT）研发的一套完全自主的机器人系统，有望加快这一进程。
这套系统利用机器人探针，快速测量一种被称为光导率的重要电学性质，即材料对光线的响应能力。为了减少测量时间，提高精度，研究人员将人类专家的材料科学知识引入到机器学习模型中，引导机器人做出决策。
具体来说，机器人首先用摄像头拍摄样品：一块印有钙钛矿材料的片材。接着，系统利用计算机视觉技术，将图像分割成多个区域，并输入到一个结合了材料专家经验的神经网络模型中。这一模型能帮助机器人识别最佳的接触点，从而获得最多的材料信息。此外，系统还采用专门的路径规划算法，找到机器人从一个接触点移动到另一个点的最短路径，提高测量效率。
这一自主系统的表现令人振奋。经过24小时的连续测试，机器人每小时完成超过125次不同的光导率测量，比其他基于人工智能的方法更快、更可靠。在测量的同时，系统还能检测到材料中的高响应区域以及可能出现的退化区域，为新材料的研究提供了宝贵的数据支持。
研究人员表示，这项技术的最大优势在于大幅提升了对新材料特性表征的效率，未来可以加速研发出性能更优的太阳能电池等电子器件。“这项研究令人兴奋，因为它为自主、接触式的材料特性检测提供了一条道路。不像一些材料性质可以无需接触就测量，接触式测量既要快速也要尽可能多地获得信息。”麻省理工学院机械工程教授、论文主要作者布奥纳西西（Tonio Buonassisi）说。
自2018年以来，布奥纳西西实验室一直致力于打造一个全自动的材料发现平台，近期的重点则是开发新型钙钛矿材料，这类材料广泛应用于光伏发电领域。以往，科研人员可通过快速合成和打印不同的钙钛矿材料组合，结合成像技术判断材料性能，但关键的光导率则须通过接触式测量实现。传统方法费时又繁琐，难以满足快速研发需求。
因此，研究团队将机器学习、机器人和材料科学相结合，研发了这一全自动系统。首先，机器人用摄像头扫描样本，生成图像，经过计算机视觉将其划分成若干区域，并结合材料领域的专家知识，确定最佳的接触点。随后，路径规划算法会找到一条最短的路径，使机器人能高效地完成所有测量点的接触操作。
值得一提的是，该系统的神经网络模型采用的是自监督学习方式，无需大量标注数据，即能自主判断最优的接触点。这一设计大大提升了系统的速度与灵活性。研究人员还通过加入少量随机噪声优化路径算法，使其找到最短路径的能力进一步提高。
多项测试结果显示，这一系统在测量准确性和计算速度方面均优于其它七种AI方法。用24小时完成的实验中，机器人共进行了超过3000次光导率测量，且每小时完成超过125次。测得的数据不仅揭示了材料中的热点区域，也帮助研究人员了解材料的退化过程。
“如此快速、精细的测量方式，几乎无需人工干预，为新型高性能半导体材料的发现和研发打开了新的大门，尤其是在可持续发展方面，如太阳能电池的优化。”研究团队成员、学生Siemenn说。
未来，研究人员希望进一步完善这套机器人系统，打造出真正的全自动材料发现实验平台，推动新材料的研发步伐，助力能源领域的可持续发展。这项工作得到了多家机构的支持，包括一些能源和科研基金，为实现智能制造和绿色科技提供了有力的技术保障。