Selvkørende laboratorium fremskynder forskning, syntese af energimaterialer

Forskere fra North Carolina State University og University at Buffalo har udviklet og demonstreret et "selvkørende laboratorium", der bruger kunstig intelligens (AI) og fluidiske systemer til at fremme vores forståelse af metalhalogenid perovskit (MHP) nanokrystaller. Dette selvkørende laboratorium kan også bruges til at undersøge en bred vifte af andre halvledere og metalliske nanomaterialer.

"Vi har skabt et selvkørende laboratorium, der kan bruges til at fremme både grundlæggende nanovidenskab og anvendt ingeniørvidenskab," siger Milad Abolhasani, tilsvarende forfatter til et papir om arbejdet og lektor i kemisk og bimolekylær ingeniørvidenskab ved NC State.

For deres proof-of-concept demonstrationer fokuserede forskerne på helt uorganisk metalhalogenid perovskit (MHP) nanokrystaller, cæsium blyhalogenid (CsPbX₃ X=Cl, Br). MHP nanokrystaller er en ny klasse af halvledermaterialer, der på grund af deres løsningsbearbejdelighed og unikke størrelses- og sammensætningsjusterbare egenskaber menes at have potentiale til brug i printede fotoniske enheder og energiteknologier. For eksempel er MHP nanokrystaller meget effektive optisk aktive materialer og overvejes til brug i næste generations LED'er. Og fordi de kan laves ved hjælp af løsningsbehandling, har de potentialet til at blive lavet på en omkostningseffektiv måde.

Opløsningsforarbejdede materialer er materialer, der er fremstillet ved hjælp af flydende kemiske prækursorer, herunder højværdimaterialer såsom kvanteprikker, metal/metaloxid-nanopartikler og metalorganiske rammer.

Men MHP nanokrystaller er ikke i industriel brug endnu.

"Til dels skyldes det, at vi stadig udvikler en bedre forståelse af, hvordan man syntetiserer disse nanokrystaller for at konstruere alle de egenskaber, der er forbundet med MHP'er," siger Abolhasani. "Og til dels fordi at syntetisere dem kræver en grad af præcision, der har forhindret storskalaproduktion i at være omkostningseffektiv. Vores arbejde her adresserer begge disse problemer."

Den nye teknologi udvider konceptet Artificial Chemist 2.0, som Abolhasanis laboratorium afslørede i 2020. Artificial Chemist 2.0 er fuldstændig autonomt, og bruger AI og automatiserede robotsystemer til at udføre kemisk syntese og analyse i flere trin. I praksis fokuserede dette system på at justere båndgabet af MHP kvanteprikker, så brugerne kunne gå fra at anmode om en brugerdefineret kvanteprikker til at færdiggøre den relevante R&D og begynde produktionen på mindre end en time.

"Vores nye selvkørende laboratorieteknologi kan autonomt dope MHP nanokrystaller og tilføje manganatomer til nanokrystallernes krystallinske gitter efter behov," siger Abolhasani.

Doping af materialet med varierende niveauer af mangan ændrer de optiske og elektroniske egenskaber af nanokrystallerne og introducerer magnetiske egenskaber til materialet. For eksempel kan doping af MHP nanokrystaller med mangan ændre bølgelængden af ​​lys, der udsendes fra materialet.

"Denne evne giver os endnu større kontrol over egenskaberne af MHP nanokrystaller," siger Abolhasani. "I bund og grund er universet af potentielle farver, der kan produceres af MHP nanokrystaller, nu større. Og det er ikke kun farve. Det tilbyder et meget større udvalg af elektroniske og magnetiske egenskaber."

Den nye selvkørende laboratorieteknologi tilbyder også et meget hurtigere og mere effektivt middel til at forstå, hvordan man konstruerer MHP nanokrystaller for at opnå den ønskede kombination af egenskaber. Video af de nye teknologiske værker kan findes på https://www.youtube.com/watch?v=2BflpW6R4HI.

"Lad os sige, at du ønsker at få en dybdegående forståelse af, hvordan mangan-doping og båndgap-tuning vil påvirke en specifik klasse af MHP nanokrystaller, såsom CsPbX₃ ", siger Abolhasani. "Der er cirka 160 milliarder mulige eksperimenter, som du kunne køre, hvis du ville kontrollere for enhver mulig variabel i hvert eksperiment. Ved at bruge konventionelle teknikker ville det stadig generelt tage hundreder eller tusinder af eksperimenter at lære, hvordan disse to processer - mangan-doping og båndgap-tuning - ville påvirke egenskaberne af cæsium blyhalogenid nanokrystaller."

Men det nye system gør alt dette selvstændigt. Specifikt udvælger og kører dens AI-algoritme sine egne eksperimenter. Resultaterne fra hvert afsluttet eksperiment fortæller, hvilket eksperiment det vil køre næste gang - og det fortsætter, indtil det forstår, hvilke mekanismer der styrer MHP'ens forskellige egenskaber.

"Vi fandt i en praktisk demonstration, at systemet var i stand til at få en grundig forståelse af, hvordan disse processer ændrer egenskaberne af cæsium blyhalogenid nanokrystaller i kun 60 eksperimenter," siger Abolhasani. "Med andre ord kan vi få den information, vi har brug for til at konstruere et materiale på timer i stedet for måneder."

Mens arbejdet demonstreret i papiret fokuserer på MHP nanokrystaller, kan det autonome system også bruges til at karakterisere andre nanomaterialer, der er fremstillet ved hjælp af løsningsprocesser, herunder en bred vifte af metalliske og halvleder nanomaterialer.

"We're excited about how this technology will broaden our understanding of how to control the properties of these materials, but it's worth noting that this system can also be used for continuous manufacturing," Abolhasani says. "So you can use the system to identify the best possible process for creating your desired nanocrystals, and then set the system to start producing material nonstop—and with incredible specificity.

"We've created a powerful technology. And we're now looking for partners to help us apply this technology to specific challenges in the industrial sector."

The paper, "Autonomous Nanocrystal Doping by Self-Driving Fluidic Micro-Processors," is published open access in the journal Advanced Intelligent Systems. + Udforsk yderligere

Artificial Chemist 2.0:Quantum dot R&D in less than an hour