科学家正在寻找可以提高太阳能电池和其他小工具效率的新的半导体材料。但是，科学家监视基本材料的特征的速度是变化的障碍。由于麻省理工学院研究人员创建的完全自主的机器人系统，情况可以更快地发展。该研究已在科学进步中发表。他们的技术使用机器人探针来评估光电导率，这是一个重要的电气所有者，它决定了轻质材料的接受程度。研究人员将人类专家的知识纳入机器学习模型中的材料科学领域，以指导机器人决策。这使机器人可以使用调查选择与物质相互作用的最佳位置，以获取有关其光电传统的大多数信息，而独特的计划方法则决定了接触点之间的最快路径。在24小时试验期间，完全自主的R与现有的基于AI的技术相比，每小时超过125个唯一的尺寸获得的OBOT探针显示出更高的准确性和可靠性。该技术可以大大加速科学家，以研究新的半导体材料的关键特征，从而刺激更好的太阳能电池板的发展。我发现本文令人兴奋，因为它为自主，基于接触的技术提供了一种方式。并非可以以非接触方式测量材料的所有重要特性。如果需要联系样品，则希望它快速，并且希望获得最多的信息。该研究的高级作者兼MIT教授Tonio Buonassi以及他的同事毕业生Alexander（Aleks）Siemenn担任领先的作者，博士后研究人员Basita Das和Kangyu JI，并毕业于学生Fang Sheng。自2018年以来，布纳西西实验室的研究人员已开发了一个完全自主的材料发现实验室。他们最近的重点是寻找新的butvskites，用于光伏的半导体，例如太阳能电池板。在以前的工作中，他们建立了快速合成和打印Butvskite材料的新组合的方法。他们还开发了基于成像的技术，以确定材料的关键特性。但是，麦芽特异性光电导率的最准确方法是对材料进行研究，用灯照亮其，然后测量电反应。为了使我们的实验室尽可能快，准确地运行，我们必须提出一种解决方案，该解决方案可以进行最佳的测量并最大程度地减少操作整个过程所需的时间。亚历山大（Aleks）Siemenn的研究，一项研究毕业生，要求学习机器，机器人技术和科学材料整合到自主系统中。首先，机器人的板载摄像头获得了幻灯片图像，上面写着钙钛矿材料。然后使用计算机视觉对图像进行分配，并将其馈送到神经网络模型，规格刻有创建的是将化学家和物质科学家的领域专业知识结合在一起。 Siemenn补充说：“这些机器人提高了我们的运营的重复和准确性，但仍然有些人参与其中很重要。如果我们没有很好的方法将丰富知识应用于机器人，我们将不会发现新材料。”该模型应用此知识领域，以根据样品的形状和材料组成找到最佳的研究位置以坐标。 These contact points are sent to the Path Planner, which is the best route to the path planner, which calculates the best route for the poth planner, which calculates the best route for the proof to reach the Path Planner, which calculates the best route for the poth planner, which calculates the best route for the PATH Planner, which is the best route for the poth planner, which calculates the best route for the PATH PLANNER, which calculates the best route for the PATH PLANner是计算路径策划者的最佳途径，这是达到所有这些要点的最佳途径。” Buonassisi说。在确定最短路径后，路径策划者发送机器人电机信号，纵向调查的电动机，并进行尺寸，并为快速步调的每个接触点（即启用自我接触点）的速度来确定速度的速度。点培训的标签。从一开始就开发系统后，研究人员尝试了每个组件。他们的发现表明，与其他七个基于AI的程序相比，神经网络模型的计算时间更少。此外，计划的算法始终是一个较短的计划。它们具有24小时完全自主实验的所有成分，机器人系统以每小时超过125次的速度进行了3,000多次不同的光电导率测量。 Siemenn说：“在没有手动指导的情况下，可以以快速的速度获得大量数据的能力，可以为发现和开发具有高性能的新半导体的大门，尤其是对于太阳能电池板等可持续应用。” “研究人员的目标是在试图开发一个完整的自动材料发现实验室时继续开发这种机器人系统。研究是通过第一太阳能，ENI通过麻省理工学院能源倡议，MATHWORKS，多伦多大学多伦多大学加速联盟，美国能源和国家科学系的资助。
