La méthode de vision par ordinateur caractérise les propriétés des matériaux électroniques 85 fois plus rapidement que l'approche conventionnelle

Améliorer les performances des cellules solaires, des transistors, des LED et des batteries nécessitera de meilleurs matériaux électroniques, fabriqués à partir de compositions nouvelles qui restent encore à découvrir.

Pour accélérer la recherche de matériaux fonctionnels avancés, les scientifiques utilisent des outils d’IA pour identifier des matériaux prometteurs parmi des centaines de millions de formulations chimiques. En tandem, les ingénieurs construisent des machines capables d’imprimer des centaines d’échantillons de matériaux à la fois, sur la base de compositions chimiques étiquetées par des algorithmes de recherche d’IA.

Mais à ce jour, il n'existe aucun moyen aussi rapide de confirmer que ces documents imprimés fonctionnent réellement comme prévu. Cette dernière étape de caractérisation des matériaux a constitué un goulot d’étranglement majeur dans le processus de criblage avancé des matériaux.

Aujourd’hui, une nouvelle technique de vision par ordinateur développée par les ingénieurs du MIT accélère considérablement la caractérisation des matériaux électroniques nouvellement synthétisés. La technique analyse automatiquement les images d'échantillons semi-conducteurs imprimés et estime rapidement deux propriétés électroniques clés pour chaque échantillon : la bande interdite (une mesure de l'énergie d'activation des électrons) et la stabilité (une mesure de la longévité).

La nouvelle technique caractérise avec précision les matériaux électroniques, 85 fois plus rapidement que l'approche de référence standard.

Les chercheurs ont l'intention d'utiliser cette technique pour accélérer la recherche de matériaux prometteurs pour les cellules solaires. Ils prévoient également d'intégrer cette technique dans un système de contrôle des matériaux entièrement automatisé.

“En fin de compte, nous envisageons d'intégrer cette technique dans un laboratoire autonome du futur”, déclare Eunice Aissi, étudiante diplômée du MIT. “L'ensemble du système nous permettrait de confier à un ordinateur un problème de matériaux, de lui faire prédire des composés potentiels, puis de fonctionner 24 heures sur 24 et 7 jours sur 7 pour fabriquer et caractériser ces matériaux prédits jusqu'à ce qu'il arrive à la solution souhaitée.”

“Le domaine d'application de ces techniques va de l'amélioration de l'énergie solaire à l'électronique transparente et aux transistors”, ajoute Alexander (Aleks) Siemenn, étudiant diplômé du MIT. “Cela couvre vraiment toute la gamme des domaines dans lesquels les matériaux semi-conducteurs peuvent bénéficier à la société.”

Aissi et Siemensn détaillent la nouvelle technique dans une étude parue dans Communications naturelles. Leurs co-auteurs au MIT comprennent l'étudiant diplômé Fang Sheng, le postdoctorant Basita Das et le professeur de génie mécanique Tonio Buonassisi, ainsi que l'ancien professeur invité Hamide Kavak de l'Université Cukurova et le postdoctorant invité Armi Tiihonen de l'Université Aalto.

La puissance en optique

Une fois qu'un nouveau matériau électronique est synthétisé, la caractérisation de ses propriétés est généralement gérée par un « expert du domaine » qui examine un échantillon à la fois à l'aide d'un outil de paillasse appelé UV-Vis, qui scanne différentes couleurs de lumière pour déterminer où se trouve le matériau électronique. le semi-conducteur commence à absorber plus fortement. Ce processus manuel est précis mais aussi long : un expert du domaine caractérise généralement environ 20 échantillons de matériaux par heure, soit une vitesse d'escargot par rapport à certains outils d'impression qui peuvent établir 10 000 combinaisons de matériaux différentes par heure.

“Le processus de caractérisation manuelle est très lent”, explique Buonassisi. “Ils vous donnent une grande confiance dans la mesure, mais ils ne sont pas adaptés à la vitesse à laquelle vous pouvez déposer de la matière sur un substrat de nos jours.”

Pour accélérer le processus de caractérisation et éliminer l'un des plus grands goulots d'étranglement dans le criblage des matériaux, Buonassisi et ses collègues se sont tournés vers la vision par ordinateur, un domaine qui applique des algorithmes informatiques pour analyser rapidement et automatiquement les caractéristiques optiques d'une image.

“Les méthodes de caractérisation optique ont du pouvoir”, note Buonassisi. “Vous pouvez obtenir des informations très rapidement. Il existe une richesse d'images, sur de nombreux pixels et longueurs d'onde, qu'un humain ne peut tout simplement pas traiter, mais qu'un programme informatique d'apprentissage automatique le peut.”

L’équipe a réalisé que certaines propriétés électroniques, à savoir la bande interdite et la stabilité, pouvaient être estimées sur la seule base d’informations visuelles, si ces informations étaient capturées avec suffisamment de détails et interprétées correctement.

Dans cet objectif, les chercheurs ont développé deux nouveaux algorithmes de vision par ordinateur pour interpréter automatiquement les images de matériaux électroniques : l’un pour estimer la bande interdite et l’autre pour déterminer la stabilité.

Le premier algorithme est conçu pour traiter des données visuelles à partir d’images hyperspectrales très détaillées.

“Au lieu d'une image de caméra standard avec trois canaux : rouge, vert et bleu (RBG), l'image hyperspectrale comporte 300 canaux”, explique Siemensn. “L'algorithme prend ces données, les transforme et calcule une bande interdite. Nous exécutons ce processus extrêmement rapidement.”

Le deuxième algorithme analyse les images RVB standard et évalue la stabilité d'un matériau en fonction des changements visuels de la couleur du matériau au fil du temps.

“Nous avons constaté que le changement de couleur peut être un bon indicateur du taux de dégradation dans le système matériel que nous étudions”, explique Aissi.

Compositions matérielles

L’équipe a appliqué les deux nouveaux algorithmes pour caractériser la bande interdite et la stabilité d’environ 70 échantillons de semi-conducteurs imprimés. Ils ont utilisé une imprimante robotisée pour déposer des échantillons sur une seule lame, comme des biscuits sur une plaque à pâtisserie. Chaque dépôt a été réalisé avec une combinaison légèrement différente de matériaux semi-conducteurs. Dans ce cas, l’équipe a imprimé différents ratios de pérovskites, un type de matériau qui devrait être un candidat prometteur pour les cellules solaires, même s’il est également connu pour se dégrader rapidement.

“Les gens essaient de changer la composition – d'ajouter un peu de ceci, un peu de cela – pour essayer de rendre (les pérovskites) plus stables et plus performantes”, explique Buonassisi.

Après avoir imprimé 70 compositions différentes d’échantillons de pérovskite sur une seule lame, l’équipe a numérisé la lame avec une caméra hyperspectrale. Ensuite, ils ont appliqué un algorithme qui « segmente » visuellement l’image, isolant automatiquement les échantillons de l’arrière-plan. Ils ont exécuté le nouvel algorithme de bande interdite sur les échantillons isolés et ont calculé automatiquement la bande interdite pour chaque échantillon. L’ensemble du processus d’extraction de la bande interdite a duré environ six minutes.

“Il faudrait normalement plusieurs jours à un expert du domaine pour caractériser manuellement le même nombre d'échantillons”, explique Siemenn.

Pour tester la stabilité, l’équipe a placé la même lame dans une chambre dans laquelle elle a fait varier les conditions environnementales, telles que l’humidité, la température et l’exposition à la lumière. Ils ont utilisé une caméra RVB standard pour prendre une image des échantillons toutes les 30 secondes pendant deux heures. Ils ont ensuite appliqué le deuxième algorithme aux images de chaque échantillon au fil du temps pour estimer le degré auquel chaque gouttelette a changé de couleur ou s'est dégradée dans diverses conditions environnementales. En fin de compte, l’algorithme a produit un « indice de stabilité », ou une mesure de la durabilité de chaque échantillon.

À titre de contrôle, l'équipe a comparé ses résultats avec des mesures manuelles des mêmes gouttelettes, prises par un expert du domaine. Par rapport aux estimations de référence de l’expert, les résultats de bande interdite et de stabilité de l’équipe étaient respectivement précis à 98,5 % et 96,9 % et 85 fois plus rapides.

“Nous étions constamment choqués par la façon dont ces algorithmes étaient capables non seulement d'augmenter la vitesse de caractérisation, mais également d'obtenir des résultats précis”, explique Siemenn. “Nous envisageons cette insertion dans le pipeline de matériaux automatisés actuel que nous développons en laboratoire, afin que nous puissions l'exécuter de manière entièrement automatisée, en utilisant l'apprentissage automatique pour guider où nous voulons découvrir ces nouveaux matériaux, les imprimer, puis les caractérisant réellement, le tout avec un traitement très rapide. “

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche, de l'innovation et de l'enseignement du MIT.