Onderzoekers van het Oak Ridge National Laboratory van het Department of Energy en de University of Tennessee automatiseren de zoektocht naar nieuwe materialen om zonne-energietechnologieën vooruit te helpen.

Een nieuwe workflow gepubliceerd in ACS Energiebrieven combineert robotica en machine learning om metaalhalogenideperovskieten te bestuderen, of MHP's - dun, lichtgewicht, flexibele materialen met uitstekende eigenschappen voor het benutten van licht dat kan worden gebruikt om zonnecellen te maken, energiezuinige verlichting en sensoren.

"Onze aanpak versnelt de verkenning van perovskietmaterialen, waardoor het exponentieel sneller wordt om vele materiële composities tegelijk te synthetiseren en te karakteriseren en interessegebieden te identificeren, " zei Sergei Kalinin van ORNL.

De studie, onderdeel van een ORNL-UT Science Alliance-samenwerking, heeft tot doel de meest stabiele MHP-materialen voor apparaatintegratie te identificeren.

"Geautomatiseerde experimenten kunnen ons helpen een efficiënt pad voorwaarts te banen bij het verkennen van wat een immense pool van potentiële materiële composities is, ", zegt Mahshid Ahmadi van de UT.

Hoewel MHP's aantrekkelijk zijn vanwege hun hoge efficiëntie en lage fabricagekosten, hun gevoeligheid voor de omgeving beperkt het operationele gebruik. Voorbeelden uit de praktijk hebben de neiging om te snel af te breken onder omgevingscondities, zoals licht, vochtigheid of hitte, praktisch zijn.

Het enorme potentieel voor perovskieten vormt een inherent obstakel voor het ontdekken van materialen. Wetenschappers worden geconfronteerd met een enorme ontwerpruimte bij hun inspanningen om robuustere modellen te ontwikkelen. Er zijn meer dan duizend MHP's voorspeld, en elk van deze kan chemisch worden gemodificeerd om een ​​bijna onbeperkte bibliotheek van mogelijke samenstellingen te genereren.

"Het is moeilijk om deze uitdaging te overwinnen met conventionele methoden voor het één voor één synthetiseren en karakteriseren van monsters, "zei Ahmadi. "Onze aanpak stelt ons in staat om tot 96 monsters tegelijk te screenen om de ontdekking en optimalisatie van materialen te versnellen."

Het team selecteerde vier MHP-modellen, die in totaal 380 composities opleveren, om de nieuwe workflow voor oplossingsverwerkbare materialen te demonstreren. samenstellingen die beginnen als natte mengsels maar droge tot vaste vormen.

De synthesestap maakte gebruik van een programmeerbare pipetteerrobot die is ontworpen om te werken met standaard microplaten met 96 putjes. De machine bespaart tijd bij het handmatig doseren van veel verschillende samenstellingen; en het minimaliseert fouten bij het repliceren van een vervelend proces dat moet worden uitgevoerd in exact dezelfde omgevingsomstandigheden, een variabele die moeilijk te controleren is over langere perioden.

Volgende, onderzoekers stelden monsters bloot aan lucht en maten hun fotoluminescente eigenschappen met behulp van een standaard optische plaatlezer.

"Het is een eenvoudige meting, maar het is de de facto standaard voor het karakteriseren van stabiliteit in MHP's, " zei Kalinin. "De sleutel is dat conventionele benaderingen arbeidsintensief zouden zijn, terwijl we de fotoluminescente eigenschappen van 96 monsters in ongeveer vijf minuten konden meten."

Door het proces gedurende meerdere uren te herhalen, werden complexe fasediagrammen vastgelegd waarin golflengten van licht variëren tussen composities en in de loop van de tijd evolueren.

Het team ontwikkelde een machine learning-algoritme om de gegevens te analyseren en in te loggen in regio's met een hoge stabiliteit.

"Machine learning stelt ons in staat om meer informatie uit schaarse gegevens te halen door eigenschappen tussen gemeten punten te voorspellen, " zei Maxim Ziatdinov van ORNL, die de ontwikkeling van het algoritme leidde. "De resultaten begeleiden de karakterisering van materialen door ons te laten zien waar we moeten kijken."

Hoewel de studie zich richt op het ontdekken van materialen om de meest stabiele samenstellingen te identificeren, de workflow kan ook worden gebruikt om materiaaleigenschappen te optimaliseren voor specifieke opto-elektronische toepassingen.

Het geautomatiseerde proces kan worden toegepast op elk in een oplossing verwerkbaar materiaal voor tijd- en kostenbesparingen ten opzichte van traditionele synthesemethoden.

Het tijdschriftartikel is gepubliceerd als "Chemical Robotics Enabled Exploration of Stability in Multicomponent Lead Halide Perovskites via Machine Learning."