ISIS组织武装分子散发报仇言论 声称血洗美国

麻省理工学院材料科学领域正在揭开新篇章，研究人员开发了一套全自动机器人系统，旨在加速先进半导体材料的搜索。这项技术旨在解决一个长期存在的挑战：手动测量新材料关键特性的速度缓慢，这限制了太阳能等领域的进展。

该系统的核心是一个能够测量光电导率的机器人探头，这一特性揭示了材料对光的响应方式。通过将材料科学家的专业知识集成到机器学习模型中，机器人可以确定在样品上探测的最具信息量的点。这种方法与专门的规划算法相结合，使机器人能够在接触点之间快速高效地移动。

在一次严格的24小时测试中，机器人每小时执行了超过125次独特的测量，其精度和可靠性超过了之前基于人工智能的方法。这一速度和精度的飞跃可能会加速更高效太阳能电池板和其他电子设备的发展。

"我发现这篇论文非常令人兴奋，因为它提供了一种自主、接触式表征方法的道路，"机械工程教授、该研究的主要作者 Tonio Buonassisi 说。"并非所有材料的重要特性都可以通过非接触方式测量。如果你需要与样品接触，你希望它能够快速，并且你希望获得尽可能多的信息。"

由研究生 Alexander Siemenn 领导的研究团队，以及博士后研究员 Basita Das 和 Kangyu Ji，以及研究生 Fang Sheng，在《科学进展》上发表了他们的研究成果。

这项创新的旅程始于 2018 年，当时 Buonassisi 的实验室开始建造一个完全自主的材料发现实验室。最近的努力集中在钙钛矿上，这是一种用于太阳能电池板的半导体材料。虽然之前的进步允许快速合成和基于成像的分析，但准确测量光电导仍然需要直接接触材料。

“为了使我们的实验实验室能够尽可能快和准确运行，我们必须想出一个解决方案，即在尽可能短的时间内运行整个程序的同时，获得最佳测量结果，”西门解释道。

系统首先使用其自带相机捕获钙钛矿样品的图像。计算机视觉随后将图像分割成多个部分，这些部分由一个结合了化学家和材料科学家专业知识的神经网络模型进行分析。"这些机器人可以提高我们操作的重复性和精确性，但仍然需要人在回路中。如果我们没有好的方法将这些化学专家的丰富知识融入机器人，我们将无法发现新材料，"西门恩补充道。

神经网络根据样品的形状和成分识别最佳探针接触点。这些点随后被输入路径规划器，该规划器确定机器人最有效的行进路线。这种方法的适应性至关重要，因为样品通常具有独特的形状。"这几乎就像测量雪花——很难找到两个完全相同的，" Buonassisi 说。

一个关键创新是神经网络的自我监督特性，它直接从样品图像中选择最佳接触点，而无需标记的训练数据。团队还通过引入少量随机性改进了路径规划算法，这帮助机器人找到更短的路径。

"随着我们进入这个自主实验室的时代，你确实需要这三种专业知识——硬件构建、软件和材料科学理解——结合在同一个团队中，才能快速创新。而这正是这里的秘诀所在，" Buonassisi 说。

在构建系统后，研究人员测试了每个组件。神经网络在识别接触点方面优于其他七种基于人工智能的方法，并且计算时间更少，路径规划器始终比竞争算法生成更短的路线。在一个完整的24小时自主实验中，机器人完成了超过3,000次光电导测量，识别了材料中性能良好区域和退化区域。

“能够以如此快的速度收集如此丰富的数据，而无需人工指导，这开始为发现和发展新型高性能半导体打开了大门，特别是对于可持续性应用，如太阳能电池板，”西门子说。

展望未来，该团队计划进一步完善系统，朝着建立一个完全自主的材料发现实验室的目标努力。该项目得到了包括 First Solar、通过 MIT 能源倡议的 Eni、MathWorks、多伦多大学加速联盟、美国能源部和美国国家科学基金会的支持。