Yeni Geliştirilen Bilgisayar Görme Tekniği, Elektronik Materyallerin Tarama Sürecini Hızlandırıyor
Bu yeni yöntem, bir malzemenin elektronik özelliklerini geleneksel metotlara kıyasla 85 kat daha hızlı bir şekilde karakterize etmeyi sağlıyor…
Güneş pilleri, transistörler, LED’ler ve piller gibi cihazların performansını artırmak, daha önce keşfedilmemiş yeni bileşenlerle yapılmış üstün elektronik malzemeleri gerektirir.
Bilim insanları, gelişmiş fonksiyonel malzemelerin arayışını hızlandırmak amacıyla, yüz milyonlarca kimyasal formülasyon içinden gelecek vaat edenleri tespit etmek için yapay zeka araçlarından yararlanıyorlar. Mühendisler ise, yapay zeka arama algoritmaları tarafından seçilen kimyasal bileşimlere dayanarak yüzlerce malzeme örneğini aynı anda basabilen makineler geliştiriyorlar.
Ancak şimdiye kadar, bu basılı materyallerin beklenen performansı sergilediğini hızlı bir şekilde doğrulamanın etkili bir yolu bulunmamaktaydı. Malzeme karakterizasyonunun bu son aşaması, gelişmiş malzeme tarama sürecinde önemli bir engel teşkil etmiştir.
MIT mühendisleri tarafından geliştirilen yeni bir bilgisayarlı görme tekniği, yeni üretilen elektronik malzemelerin karakterizasyon sürecini büyük ölçüde hızlandırıyor.
Bu teknik, basılı yarı iletken örneklerinin görüntülerini otomatik olarak analiz ederek, her bir örnek için elektron aktivasyon enerjisini ölçen bant aralığı ve uzun süreli kararlılığı hızla tahmin ediyor.
Yeni teknik, elektronik malzemeleri standart karşılaştırma yöntemlerine göre 85 kat daha hızlı ve doğru bir şekilde karakterize edebiliyor.
Araştırmacılar, umut vadeden güneş pili malzemelerini daha hızlı araştırmak için bu tekniği kullanmayı hedefliyorlar. Ayrıca, bu tekniği tam otomatik bir malzeme tarama sistemine entegre etmeyi de planlıyorlar.
MIT yüksek lisans öğrencisi Eunice Aissi, “Sonunda bu tekniği, geleceğin otonom laboratuvarına entegre etmeyi hedefliyoruz,” diyor ve ekliyor, “Tüm sistem, bir bilgisayara malzeme sorunu sunmamıza, olası bileşikleri tahmin etmesine ve ardından arzu edilen çözümü bulana kadar bu tahmin edilen malzemeleri kesintisiz olarak üretip karakterize etmemize imkan verecek.”
MIT yüksek lisans öğrencisi Alexander (Aleks) Siemenn, “Bu tekniklerin kullanım alanları, güneş enerjisinin geliştirilmesinden şeffaf elektroniklere ve transistörlere kadar geniş bir yelpazeye yayılıyor,” diyor ve devamında, “Yarı iletken malzemelerin topluma sağlayabileceği faydalar gerçekten çok çeşitli alanlara yayılmaktadır.” diye sözüne devam ediyor.
Aissi ve Siemenn, Nature Communications’da bugün yayımlanan bir çalışmada yeni bir teknik hakkında bilgi veriyorlar. MIT’den ortak yazarlar arasında yüksek lisans öğrencisi Fang Sheng, doktora sonrası araştırmacı Basita Das ve makine mühendisliği profesörü Tonio Buonassisi bulunuyor. Ayrıca, Çukurova Üniversitesi’nden eski misafir profesör Hamide Kavak ve Aalto Üniversitesi’nden misafir doktora sonrası araştırmacı Armi Tiihonen da çalışmaya katkıda bulunmuşlardır.
Optikte Güç
Yeni sentezlenen bir elektronik malzemenin özelliklerinin karakterizasyonu genellikle, UV-Vis adı verilen ve ışığın farklı dalga boylarını tarayarak malzemenin hangi noktada yarı iletkenin güçlü bir şekilde emmeye başladığını belirleyen bir masaüstü cihaz ile gerçekleştirilir. Bu işlem, her seferinde bir numuneyi inceleyen bir “alan uzmanı” tarafından yapılır. Hassas olmasına rağmen bu manuel süreç zaman alıcıdır: Bir alan uzmanı saatte yaklaşık 20 malzeme örneğini karakterize edebilirken, bu, saatte 10.000 farklı malzeme kombinasyonu üretebilen bazı baskı araçlarına kıyasla oldukça yavaştır.
Buonassisi, “Manuel karakterizasyon süreci oldukça yavaştır,” diyor ve ekliyor, “Ölçümler büyük oranda güvenilir olsa da, malzemeyi bir alt tabakaya yerleştirme hızına günümüz şartlarında uyum sağlamıyorlar.”
Karakterizasyon sürecini hızlandırmak ve malzeme taramasındaki büyük bir darboğazı ortadan kaldırmak amacıyla Buonassisi ve ekibi, görüntülerdeki optik özellikleri hızlı ve otomatik bir şekilde analiz edebilmek için bilgisayar algoritmalarının kullanıldığı bilgisayarlı görme alanına yönelmiştir.
Buonassisi, “Optik karakterizasyon yöntemlerinde büyük bir güç bulunmaktadır,” diyor ve devamında, “Bilgileri çok hızlı bir şekilde elde edebilirsiniz. Görüntüler, bir insanın işleyemeyeceği ancak bir bilgisayarın makine öğrenimi programının kolaylıkla işleyebileceği, birçok piksel ve dalga boyundan oluşan bir zenginliğe sahiptir.” diye ekliyor.
Ekip, belirli elektronik özelliklerin (bant genişliği ve kararlılık) yalnızca görsel bilgilerle, bu bilgiler yeterince detaylı yakalanıp doğru bir şekilde yorumlandığında tahmin edilebileceğini keşfetti.
Araştırmacılar, bu amacı dikkate alarak, elektronik malzemelerin görüntülerini otomatik olarak analiz etmek için iki yeni bilgisayarlı görme algoritması geliştirdi: biri bant genişliğini tahmin etmek, diğeri ise malzemenin kararlılığını değerlendirmek için.
İlk algoritma, hiperspektral görüntülerden detaylı görsel verileri işleyebilmek üzere tasarlanmıştır.
Siemens açıklamasına göre, “Standart bir kamera görüntüsünün kırmızı, yeşil ve mavi (RGB) olmak üzere üç kanalı varken, hiperspektral görüntülemede 300 kanal bulunmaktadır. Algoritma, bu verileri alıp dönüştürerek bant genişliğini hesaplar ve bu işlemi çok hızlı bir şekilde gerçekleştirir.”
İkinci algoritma, standart RGB görüntüleri analiz ederek, zaman içinde malzemenin rengindeki görsel değişikliklere dayanarak malzemenin stabilitesini değerlendirir.
Aissi, “Çalıştığımız malzeme sisteminde renk değişikliğinin, bozulma oranını iyi bir şekilde gösterebileceğini keşfettik” diye belirtiyor.
Malzeme Bileşimleri
Ekip, yaklaşık yetmiş basılı yarı iletken örneğin bant aralığını ve stabilitesini karakterize etmek için iki yeni algoritma uyguladı. Örnekleri, fırın tepsisindeki kurabiyeler gibi tek bir slayda yerleştirmek amacıyla robotik bir yazıcı kullandılar. Her bir örnek, yarı iletken malzemelerin biraz farklı kombinasyonlarıyla oluşturuldu. Bu durumda, ekip, gelecek vaat eden bir güneş pili adayı olmasına rağmen hızlı bir şekilde bozulduğu bilinen perovskitlerin çeşitli oranlarını bastı.
Buonassisi, “İnsanlar, perovskitlerin daha istikrarlı ve yüksek performanslı olması için kompozisyonlarını değiştirerek, biraz şundan biraz bundan ekleyerek denemeler yapıyorlar,” diyor.
Ekip, bir slayt üzerine 70 farklı perovskit numunesinin bileşimini bastıktan sonra, slaydı bir hiperspektral kamera ile taradı. Ardından, numuneleri otomatik olarak arka plandan ayırarak görüntüyü “bölümlere ayıran” bir algoritma kullandılar. İzole edilmiş örnekler üzerinde yeni bir bant aralığı algoritması çalıştırıldı ve her bir örnek için bant aralığını otomatik olarak hesaplandı. Bant aralığı belirleme işlemi toplamda yaklaşık altı dakika sürdü.
Siemens, “Aynı sayıda örneği manuel olarak karakterize etmek genellikle bir alan uzmanına birkaç gün sürebilir.” diyor.
Stabilite testi için, ekip aynı lambayı nem, sıcaklık ve ışığa maruz bırakarak çevresel koşulları değiştiren bir odaya yerleştirdi. İki saat boyunca her 30 saniyede bir, numunelerin görüntülerini çekmek için standart bir RGB kamera kullandılar. Daha sonra, her damlacığın renk değişimini veya çeşitli çevresel koşullarda ne kadar bozulduğunu tahmin etmek için ikinci bir algoritmayı zaman içinde numunelerin görüntülerine uyguladılar. Sonuç olarak, algoritma her numunenin dayanıklılığını gösteren bir “kararlılık endeksi” üretti.
Ekip, sonuçlarını kontrol etmek için, aynı damlacıklar üzerinde bir uzmanın yaptığı manuel ölçümlerle karşılaştırmıştır. Uzmanın tahminleriyle kıyaslandığında, ekibin bant genişliği ve stabilite sonuçları sırasıyla %98,5 ve %96,9 doğrulukta ve 85 kat daha hızlı elde edilmiştir.
Siemenn, “Bu algoritmaların karakterizasyon hızını sadece artırmakla kalmayıp, aynı zamanda doğru sonuçlar elde etmeyi de nasıl başardıklarını gördükçe sürekli olarak şaşkınlığa uğradık,” diyor ve açıklamasının devamında “Bu algoritmaları, laboratuvarda geliştirmekte olduğumuz mevcut otomatik malzeme hattına entegre etmeyi planlıyoruz. Böylece, makine öğrenimi kullanarak yeni malzemeleri nerede keşfetmek istediğimizi belirleyebilir, bunları yazdırabilir ve tam otomatik bir şekilde çalıştırarak, tümünü çok hızlı bir şekilde karakterize edebiliriz.” diye tamamlıyor.
Bu çalışma, First Solar tarafından kısmen desteklenmiştir.
Jennifer Chu | MIT News
