MIT cria assistente de laboratório robótico com habilidades de especialista em ciência de materiais

No processo de busca de novos materiais para determinadas tarefas, é necessário realizar muitas medições. A automação desse processo aceleraria significativamente a pesquisa, e a introdução da IA ​​ajudaria na seleção dos melhores pontos de medição. No geral, isso promete levar à criação de laboratórios totalmente automatizados de qualquer perfil. No Instituto de Tecnologia de Massachusetts (MIT), eles optaram pela pesquisa de materiais para painéis solares.

Fonte da imagem: mit

Ao estudar amostras de novos materiais fotossensíveis, é necessário realizar manualmente muitas medições de fotocondutividade. Todas as amostras são diferentes e raramente têm o mesmo formato. Dificuldades adicionais são criadas pela heterogeneidade dos materiais – é necessário reconhecê-la e escolher o local certo para a medição. Aparentemente, a visão computacional pode ser usada, mas algumas características não podem ser determinadas sem contato. O contato físico é necessário, o que demanda muito tempo e esforço dos pesquisadores.

Uma equipe de cientistas do MIT assumiu um desafio de longa data: superar a lentidão da medição manual de propriedades-chave de novos materiais, o que tem limitado o progresso, em particular no promissor campo da energia solar. No centro do sistema automatizado está uma sonda robótica capaz de medir a fotocondutividade, uma propriedade que mostra como um material responde à luz.

Ao integrar conhecimentos da ciência dos materiais a um modelo de aprendizado de máquina, o robô aprendeu a identificar os pontos mais informativos em uma amostra para medição. Essa abordagem, combinada com um algoritmo de planejamento especializado, permite que o robô se mova de forma rápida e eficiente entre os pontos de medição.

«“Acho este trabalho incrivelmente empolgante porque abre caminho para métodos autônomos de medição de propriedades com base no contato”, disse Tonio Buonassisi, professor e autor sênior do estudo. “Nem todas as propriedades importantes dos materiais podem ser medidas sem contato. Se você precisa fazer contato com uma amostra, é importante fazê-lo rapidamente e obter o máximo de informações possível.”

A plataforma desenvolvida começa pela captura de uma imagem de uma amostra de perovskita usando uma câmera embutida. A visão computacional então divide a imagem em segmentos, que são analisados ​​usando um modelo de rede neural que utiliza o conhecimento de químicos e cientistas de materiais.

Com base no formato e na composição da amostra, a rede neural determina os melhores pontos para a sonda fazer contato. Esses pontos são inseridos em um módulo de planejamento de trajetória, que calcula a rota mais eficiente para a sonda se mover. A adaptabilidade dessa abordagem é crucial, visto que as amostras frequentemente têm formatos únicos. “É quase como medir flocos de neve — é difícil encontrar dois iguais”, disse Buonassisi.

A principal inovação foi a operação autossupervisionada da rede neural, que seleciona os pontos de contato ideais diretamente de imagens de amostra, sem usar dados de treinamento. A equipe também aprimorou o algoritmo de planejamento de rotas adicionando um elemento de aleatoriedade, o que ajudou o robô a encontrar caminhos mais curtos e eficientes.

Durante os testes de 24 horas, o robô realizou mais de 125 medições únicas por hora, superando métodos de IA anteriores em precisão e confiabilidade. Esse salto em velocidade e precisão ajudará a acelerar o desenvolvimento de painéis solares e outros dispositivos eletrônicos mais eficientes.