Cientistas vêm se dedicando à descoberta de novos materiais semicondutores capazes de aumentar a eficiência de células solares e outros componentes eletrônicos. No entanto, o ritmo da inovação é limitado pela velocidade com que os pesquisadores conseguem medir manualmente propriedades fundamentais desses materiais. Um sistema robótico totalmente autônomo, desenvolvido por pesquisadores do MIT, pode acelerar esse processo.
O sistema utiliza uma sonda robótica para medir uma propriedade elétrica essencial conhecida como fotocondutância – ou seja, o quanto um material responde eletricamente à luz. Os pesquisadores incorporaram conhecimento da ciência dos materiais, fornecido por especialistas humanos, a um modelo de aprendizado de máquina que orienta a tomada de decisão do robô. Com isso, a sonda é capaz de identificar os melhores pontos de contato para obter o máximo de informações sobre a fotocondutância. Um algoritmo de planejamento especializado define o caminho mais eficiente entre esses pontos.
Em um teste de 24 horas, a sonda robótica realizou mais de 125 medições exclusivas por hora, com mais precisão e confiabilidade do que outros métodos baseados em inteligência artificial. Ao acelerar drasticamente a análise de propriedades importantes de novos semicondutores, o sistema pode impulsionar o desenvolvimento de painéis solares mais eficientes. “Acho este artigo incrivelmente empolgante porque abre caminho para métodos de caracterização autônomos e baseados em contato. Nem todas as propriedades importantes de um material podem ser medidas sem contato. Se você precisa fazer contato com sua amostra, precisa que seja rápido e maximizar a quantidade de informações obtidas”, afirma Tonio Buonassisi, professor de engenharia mecânica e autor sênior do artigo sobre o sistema autônomo.
Fazendo contato
O estudo foi publicado na revista Science Advances e estudante de pós-graduação Alexander Siemenn é o autor principal. Desde 2018, a equipe do laboratório de Buonassisi tem trabalhado para criar um laboratório totalmente autônomo para descoberta de materiais. Mais recentemente, o grupo concentrou seus esforços na pesquisa de perovskitas, uma classe de materiais semicondutores usados em sistemas fotovoltaicos, como painéis solares. Em trabalhos anteriores, os pesquisadores desenvolveram técnicas para sintetizar e imprimir rapidamente combinações únicas de perovskitas, além de métodos baseados em imagens para determinar algumas de suas propriedades.
Mas a fotocondutância é caracterizada com mais precisão por meio de contato direto: uma sonda é posicionada sobre o material, que é iluminado enquanto sua resposta elétrica é medida. “Para permitir que nosso laboratório experimental operasse da forma mais rápida e precisa possível, tivemos que criar uma solução que produzisse as melhores medições e minimizasse o tempo necessário para executar todo o procedimento”, diz Siemenn. Isso exigiu a integração de aprendizado de máquina, robótica e ciência dos materiais em um sistema autônomo.
O processo começa com o sistema robótico capturando uma imagem de uma lâmina com material de perovskita impresso. Em seguida, ele utiliza visão computacional para dividir essa imagem em segmentos, que são analisados por uma rede neural projetada para incorporar conhecimento especializado de químicos e cientistas de materiais. “Esses robôs podem melhorar a repetibilidade e a precisão das nossas operações, mas é importante ainda ter um ser humano envolvido. Se não tivermos uma boa maneira de implementar o rico conhecimento desses especialistas químicos em nossos robôs, não seremos capazes de descobrir novos materiais”, acrescenta Siemenn.
O modelo usa esse conhecimento para determinar os pontos ideais de contato da sonda com base no formato da amostra e na composição do material. Esses pontos são então inseridos em um planejador de trajetórias que encontra a rota mais eficiente para a sonda atingir todos os alvos. A adaptabilidade dessa abordagem é especialmente importante, já que as amostras impressas possuem formatos únicos — de gotas circulares a estruturas semelhantes a jujubas. “É quase como medir flocos de neve — é difícil encontrar dois idênticos”, comenta Buonassisi.
Quando o planejador encontra o caminho mais curto, ele envia comandos aos motores do robô, que manipulam a sonda e realizam as medições em rápida sucessão. Um dos segredos para a velocidade dessa abordagem é a natureza autossupervisionada da rede neural, que determina os pontos de contato ideais diretamente a partir da imagem da amostra, sem necessidade de dados rotulados. Os pesquisadores também aprimoraram o planejamento de trajetória ao adicionar uma pequena quantidade de aleatoriedade ao algoritmo — o que ajudou a encontrar caminhos mais curtos. “À medida que avançamos nesta era de laboratórios autônomos, realmente precisamos reunir todas essas três especialidades — construção de hardware, software e conhecimento da ciência dos materiais — na mesma equipe para conseguir inovar rapidamente. E isso é parte do segredo”, diz Buonassisi.
Dados ricos, resultados rápidos
Após a construção do sistema, os pesquisadores testaram individualmente cada componente. Os resultados mostraram que a rede neural identificou melhores pontos de contato com menor tempo de computação do que sete outros métodos baseados em IA. Além disso, o algoritmo de planejamento de trajetórias produziu rotas mais curtas de forma consistente.
No experimento de 24 horas com o sistema completo, a sonda robótica realizou mais de 3.000 medições exclusivas de fotocondutância, a uma taxa superior a 125 por hora. O nível de detalhamento alcançado permitiu aos pesquisadores identificar pontos críticos com maior fotocondutância, bem como áreas de degradação do material. “Ser capaz de reunir dados tão ricos, que podem ser capturados em taxas tão rápidas, sem a necessidade de orientação humana, começa a abrir portas para descobrir e desenvolver novos semicondutores de alto desempenho, especialmente para aplicações de sustentabilidade, como painéis solares”, afirma Siemenn. Agora, os pesquisadores pretendem seguir desenvolvendo o sistema como parte do esforço para construir um laboratório totalmente autônomo para descoberta de materiais.
