Automatiseret kemi sætter nyt tempo for materialeopdagelse

Forskere ved Department of Energy's Oak Ridge National Laboratory og University of Tennessee automatiserer søgningen efter nye materialer til at fremme solenergiteknologier.

En ny arbejdsgang udgivet i ACS Energibreve kombinerer robotteknologi og maskinlæring for at studere metalhalogenidperovskiter, eller MHP'er - tynde, letvægts, fleksible materialer med fremragende egenskaber til at udnytte lys, der kan bruges til at lave solceller, energieffektiv belysning og sensorer.

"Vores tilgang fremskynder udforskningen af ​​perovskitmaterialer, gør det eksponentielt hurtigere at syntetisere og karakterisere mange materialesammensætninger på én gang og identificere områder af interesse, " sagde ORNLs Sergei Kalinin.

Studiet, del af et ORNL-UT Science Alliance-samarbejde, har til formål at identificere de mest stabile MHP-materialer til enhedsintegration.

"Automatisk eksperimentering kan hjælpe os med at skabe en effektiv vej fremad i at udforske, hvad der er en enorm pulje af potentielle materialesammensætninger, " sagde UT's Mahshid Ahmadi.

Selvom MHP'er er attraktive for deres høje effektivitet og lave fremstillingsomkostninger, deres følsomhed over for miljøet begrænser den operationelle brug. Eksempler fra den virkelige verden har en tendens til at nedbrydes for hurtigt under omgivende forhold, såsom lys, fugt eller varme, at være praktisk.

Det enorme potentiale for perovskiter udgør en iboende hindring for materialeopdagelse. Forskere står over for et stort designrum i deres bestræbelser på at udvikle mere robuste modeller. Mere end tusind MHP'er er blevet forudsagt, og hver af disse kan modificeres kemisk for at generere et næsten ubegrænset bibliotek af mulige sammensætninger.

"Det er svært at overvinde denne udfordring med konventionelle metoder til at syntetisere og karakterisere prøver en ad gangen, " sagde Ahmadi. "Vores tilgang giver os mulighed for at screene op til 96 prøver ad gangen for at accelerere materialeopdagelse og optimering."

Holdet udvalgte fire model MHP-systemer – hvilket giver i alt 380 kompositioner – for at demonstrere den nye arbejdsgang for materialer, der kan behandles i opløsning, sammensætninger, der begynder som våde blandinger, men tørre til faste former.

Syntesetrinnet anvendte en programmerbar pipetteringsrobot designet til at arbejde med standard 96-brønds mikroplader. Maskinen sparer tid ved manuel dispensering af mange forskellige sammensætninger; og det minimerer fejl ved at replikere en kedelig proces, der skal udføres under nøjagtig de samme omgivende forhold, en variabel, der er svær at kontrollere over længere perioder.

Næste, forskere udsatte prøver for luft og målte deres fotoluminescerende egenskaber ved hjælp af en standard optisk pladelæser.

"Det er en simpel måling, men er de facto standarden for karakterisering af stabilitet i MHP'er, " sagde Kalinin. "Nøglen er, at konventionelle tilgange ville være arbejdskrævende, hvorimod vi var i stand til at måle de fotoluminescerende egenskaber af 96 prøver på omkring fem minutter."

Gentagelse af processen over flere timer indfangede komplekse fasediagrammer, hvor lysets bølgelængder varierer på tværs af sammensætninger og udvikler sig over tid.

Holdet udviklede en maskinlæringsalgoritme til at analysere dataene og komme ind på regioner med høj stabilitet.

"Maskinlæring gør os i stand til at få mere information ud af sparsomme data ved at forudsige egenskaber mellem målte punkter, " sagde ORNL's Maxim Ziatdinov, der ledede udviklingen af ​​algoritmen. "Resultaterne vejleder materialekarakterisering ved at vise os, hvor vi skal se næste gang."

Mens undersøgelsen fokuserer på materialeopdagelse for at identificere de mest stabile sammensætninger, arbejdsgangen kan også bruges til at optimere materialeegenskaber til specifikke optoelektroniske applikationer.

Den automatiserede proces kan anvendes på ethvert materiale, der kan behandles i løsningen, hvilket giver tids- og omkostningsbesparelser i forhold til traditionelle syntesemetoder.

Tidsskriftsartiklen er publiceret som "Chemical Robotics Enabled Exploration of Stability in Multicomponent Lead Halide Perovskites via Machine Learning."