Aumentar el rendimiento de células solares, transistores, LED y baterías exigirá mejores materiales electrónicos, fabricados a partir de composiciones novedosas aún por descubrir. Para acelerar la búsqueda de materiales funcionales avanzados, los científicos utilizan herramientas de IA para identificar materiales prometedores entre cientos de millones de fórmulas químicas. Al mismo tiempo, los ingenieros están construyendo máquinas que pueden imprimir cientos de muestras de materiales a la vez basándose en composiciones químicas etiquetadas por algoritmos de búsqueda de IA.

Pero hasta la fecha, no ha habido una forma igual de rápida de confirmar que estos materiales impresos funcionan realmente como se esperaba. Este último paso de la caracterización de materiales ha sido un importante cuello de botella en el proceso de selección de materiales avanzados.

Ahora, una nueva técnica de visión por ordenador desarrollada por ingenieros del MIT acelera considerablemente la caracterización de materiales electrónicos recién sintetizados. La técnica analiza automáticamente imágenes de muestras semiconductoras impresas y calcula rápidamente dos propiedades electrónicas clave de cada muestra: la brecha de banda (una medida de la energía de activación de los electrones) y la estabilidad (una medida de la longevidad).

La nueva técnica caracteriza con precisión los materiales electrónicos 85 veces más rápido que el método estándar de referencia.

Los investigadores pretenden utilizar la técnica para acelerar la búsqueda de materiales prometedores para células solares. También tienen previsto incorporar la técnica a un sistema de cribado de materiales totalmente automatizado.

"En última instancia, prevemos incorporar esta técnica a un laboratorio autónomo del futuro", afirma Eunice Aissi, estudiante de posgrado del MIT. "El sistema completo nos permitiría plantear a un ordenador un problema de materiales, hacer que predijera compuestos potenciales y, a continuación, funcionar 24 horas al día, 7 días a la semana, fabricando y caracterizando esos materiales predichos hasta llegar a la solución deseada".

"El campo de aplicación de estas técnicas abarca desde la mejora de la energía solar hasta la electrónica transparente y los transistores", añade Alexander (Aleks) Siemenn, estudiante de posgrado del MIT. "Realmente abarca toda la gama de ámbitos en los que los materiales semiconductores pueden beneficiar a la sociedad".

Aissi y Siemenn detallan la nueva técnica en un nuevo estudio que aparece hoy en Nature Communications. Sus coautores en el MIT son el estudiante de posgrado Fang Sheng, el posdoctorando Basita Das y el catedrático de ingeniería mecánica Tonio Buonassisi, junto con el antiguo profesor visitante Hamide Kavak, de la Universidad de Cukurova, y el posdoctorando visitante Armi Tiihonen, de la Universidad de Aalto.

Potencia en óptica

Una vez sintetizado un nuevo material electrónico, la caracterización de sus propiedades suele correr a cargo de un "experto en la materia" que examina una muestra cada vez utilizando una herramienta de sobremesa llamada UV-Vis, que escanea diferentes colores de luz para determinar dónde empieza el semiconductor a absorber con más intensidad. Este proceso manual es preciso, pero también lento: Un experto en la materia suele caracterizar unas 20 muestras de material por hora, un ritmo de caracol comparado con algunas herramientas de impresión que pueden imprimir 10.000 combinaciones diferentes de materiales por hora.

"El proceso de caracterización manual es muy lento", afirma Buonassisi. "Te dan un alto grado de confianza en la medición, pero no se ajustan a la velocidad a la que se puede poner materia sobre un sustrato hoy en día".

Para acelerar el proceso de caracterización y eliminar uno de los mayores cuellos de botella en el cribado de materiales, Buonassisi y sus colegas recurrieron a la visión por ordenador, un campo que aplica algoritmos informáticos para analizar rápida y automáticamente las características ópticas de una imagen.

"Los métodos de caracterización óptica son muy potentes", señala Buonassisi. "Se puede obtener información muy rápidamente. Hay una riqueza en las imágenes, a lo largo de muchos píxeles y longitudes de onda, que un humano no puede procesar pero que un programa informático de aprendizaje automático sí puede."

El equipo se dio cuenta de que ciertas propiedades electrónicas -a saber, la separación de bandas y la estabilidad- podían estimarse basándose únicamente en información visual, si ésta se captaba con suficiente detalle y se interpretaba correctamente.

Con ese objetivo en mente, los investigadores desarrollaron dos nuevos algoritmos de visión por ordenador para interpretar automáticamente imágenes de materiales electrónicos: uno para estimar la brecha de banda y otro para determinar la estabilidad.

El primer algoritmo está diseñado para procesar datos visuales de imágenes hiperespectrales muy detalladas.

"En lugar de una imagen de cámara estándar con tres canales -rojo, verde y azul (RBG)-, la imagen hiperespectral tiene 300 canales", explica Siemenn. "El algoritmo toma esos datos, los transforma y calcula una brecha de banda. Ejecutamos ese proceso con extrema rapidez".

El segundo algoritmo analiza imágenes RGB estándar y evalúa la estabilidad de un material basándose en los cambios visuales del color del material a lo largo del tiempo.

"Descubrimos que el cambio de color puede ser un buen indicador de la tasa de degradación del sistema material que estamos estudiando", explica Aissi.

Composiciones de materiales

El equipo aplicó los dos nuevos algoritmos para caracterizar la brecha de banda y la estabilidad de unas 70 muestras semiconductoras impresas. Utilizaron una impresora robotizada para depositar muestras en un único portaobjetos, como galletas en una bandeja de horno. Cada depósito se hizo con una combinación ligeramente distinta de materiales semiconductores. En este caso, el equipo imprimió diferentes proporciones de perovskitas, un tipo de material que se espera que sea un prometedor candidato a célula solar, aunque también se sabe que se degrada rápidamente.

"La gente intenta cambiar la composición -añadir un poco de esto, un poco de aquello- para intentar que [las perovskitas] sean más estables y de alto rendimiento", explica Buonassisi.

Una vez impresas 70 composiciones diferentes de muestras de perovskita en un solo portaobjetos, el equipo escaneó el portaobjetos con una cámara hiperespectral. A continuación, aplicaron un algoritmo que "segmenta" visualmente la imagen, aislando automáticamente las muestras del fondo. Ejecutaron el nuevo algoritmo de separación de bandas en las muestras aisladas y calcularon automáticamente la separación de bandas de cada muestra. El proceso completo de extracción de la brecha de banda duró unos seis minutos.

"Normalmente, un experto en la materia tardaría varios días en caracterizar manualmente el mismo número de muestras", afirma Siemenn.

Para comprobar la estabilidad, el equipo colocó el mismo portaobjetos en una cámara en la que variaron las condiciones ambientales, como la humedad, la temperatura y la exposición a la luz. Utilizaron una cámara RGB estándar para tomar una imagen de las muestras cada 30 segundos durante dos horas. A continuación, aplicaron el segundo algoritmo a las imágenes de cada muestra a lo largo del tiempo para estimar el grado en que cada gota cambiaba de color o se degradaba en las distintas condiciones ambientales. Al final, el algoritmo produjo un "índice de estabilidad", o una medida de la durabilidad de cada muestra.

Para comprobarlo, el equipo comparó sus resultados con las mediciones manuales de las mismas gotas realizadas por un experto en la materia. En comparación con las estimaciones de referencia del experto, los resultados del equipo sobre brecha de banda y estabilidad fueron un 98,5% y un 96,9% más precisos, respectivamente, y 85 veces más rápidos.

"No dejaba de sorprendernos cómo estos algoritmos eran capaces no sólo de aumentar la velocidad de caracterización, sino también de obtener resultados precisos", afirma Siemenn. "Nos imaginamos que esto podría encajar en la actual línea de materiales automatizada que estamos desarrollando en el laboratorio, de modo que podamos ejecutarla de forma totalmente automatizada, utilizando el aprendizaje automático para guiarnos hacia dónde queremos descubrir estos nuevos materiales, imprimiéndolos y caracterizándolos realmente, todo ello con un procesamiento muy rápido."

Este trabajo ha sido financiado en parte por First Solar.

Autor: Jennifer Chu, MIT News