自动化平台：提升先进材料研发效率的新工具

来自 实验室仪器网

研究团队构建并成功展示了一个自动化实验平台，以优化先进材料的制造。该平台名为AutoBot，使用机器学习算法来指导机器人设备快速合成和表征材料。这些算法根据对表征结果的分析自动完善实验。

研究人员在一类称为金属卤化物钙钛矿的新兴材料上测试了该平台，这些材料显示出发光二极管（LED）、激光器和光电探测器等应用的前景。AutoBot只用了几周时间就探索了多种制造参数组合，以找到能够生产最高质量材料的组合。

借助具有超快学习率的机器学习算法，AutoBot只需对5,000种组合中的1%进行实验采样即可找到这个“最佳点”。使用传统的试错方法，这个过程将需要长达一年的时间，在传统的试错方法中，研究人员在以前的经验和直觉的指导下，一次手动测试一组参数。

AutoBot代表了材料探索和优化的范式转变，通过将合成、表征、机器人和机器学习功能集成到一个平台中，极大地加快了筛选合成配方的过程。其快速学习方法是朝着建立自主优化实验室迈出的重要一步，并且可以扩展到广泛的材料和设备。

科研人员在商业机器人平台上进行了扩展，并实施了数据处理、分析和机器学习基础设施的解决方案。科学家们在《先进能源材料》杂志上报告了他们的工作。

由于金属卤化物钙钛矿对湿度极为敏感，因此需要严格的大气控制才能制造高质量的薄膜。因此，难以实施具有成本效益的工业规模制造。该团队使用AutoBot确定了可以在较高湿度环境下生产优质薄膜材料的合成条件，解决了大规模生产的关键障碍。

AutoBot重复了一系列任务，同时根据结果分析自动调整任务。这个迭代学习循环包括：

AutoBot从化学前体溶液中合成了卤化物钙钛矿薄膜，改变了四个合成参数——用结晶剂处理溶液的时间;加热温度;加热持续时间;以及薄膜沉积室中的相对湿度。

该平台采用三种技术对样品进行表征：测量有多少紫外线和可见光穿过样品（紫外可见光谱）;将光照射在它们上并测量发射的光（光致发光光谱）；使用发射的光生成样品的图像以评估薄膜均匀性（光致发光成像）。

数据工作流程从表征结果中提取信息，分析数据并将其组合成代表胶片质量的单个分数。根据这些分数，机器学习算法对合成参数与薄膜质量之间的关系进行建模，并决定下一个实验。做出这些决定的目的是评估信息量最大的参数组合，以最大限度地提高每次迭代的信息增益。这使得能够高效、准确地预测所有参数组合的薄膜材料质量。

AutoBot发现，通过仔细调整其他三个合成参数，可以在5%到25%的相对湿度水平下合成高质量的薄膜。这个湿度范围不需要严格的环境控制，这一发现为商业制造设施的发展奠定了重要基础。

另一个见解是，在沉积过程中，高于25%的湿度水平会破坏材料的稳定性，导致薄膜质量不佳。该团队通过在薄膜合成过程中手动进行光致发光光谱来解释和验证这一发现。

该研究的一个创新方面是“多模态数据融合。这涉及使用各种数据科学和数学工具，将来自三种表征技术的不同数据集和图像集成到一个材料质量指标中。这个想法是量化结果，以便机器学习算法可以使用它们。

» 仪器设备 购买 咨询