Por Jennifer Chu Aumentar el rendimiento de las células solares, los transistores, los LED y las baterías requerirá mejores materiales electrónicos, fabricados a partir de composiciones novedosas que aún no se han descubierto. Para acelerar la búsqueda de materiales funcionales avanzados, los científicos están utilizando herramientas de IA para identificar materiales prometedores de cientos de millones de formulaciones químicas. Al mismo tiempo, los ingenieros están construyendo máquinas que pueden imprimir cientos de muestras de materiales a la vez en función de las composiciones químicas etiquetadas por algoritmos de búsqueda de IA. Pero hasta la fecha, no ha habido una forma tan rápida de confirmar que estos materiales impresos realmente funcionan como se esperaba. Este último paso de la caracterización de materiales ha sido un importante cuello de botella en el proceso de cribado de materiales avanzados. Ahora, una nueva técnica de visión por computadora desarrollada por ingenieros del MIT acelera significativamente la caracterización de materiales electrónicos recién sintetizados. La técnica analiza automáticamente las imágenes de las muestras semiconductoras impresas y estima rápidamente dos propiedades electrónicas clave para cada muestra: banda prohibida (una medida de la energía de activación de electrones) y estabilidad (una medida de longevidad). La nueva técnica caracteriza con precisión los materiales electrónicos 85 veces más rápido en comparación con el enfoque de referencia estándar. Los investigadores tienen la intención de utilizar la técnica para acelerar la búsqueda de materiales prometedores para células solares. También planean incorporar la técnica en un sistema de cribado de materiales totalmente automatizado. "En última instancia, prevemos encajar esta técnica en un laboratorio autónomo del futuro", dice la estudiante graduada del MIT Eunice Aissi. "Todo el sistema nos permitiría darle a una computadora un problema de materiales, hacer que prediga compuestos potenciales y luego ejecutar las 24 horas del día, los 7 días de la semana, fabricando y caracterizando esos materiales predichos hasta que llegue a la solución deseada". "El espacio de aplicación de estas técnicas abarca desde la mejora de la energía solar hasta la electrónica transparente y los transistores", añade el estudiante graduado del MIT Alexander (Aleks) Siemenn. "Realmente abarca toda la gama de casos en los que los materiales semiconductores pueden beneficiar a la sociedad". Aissi y Siemenn detallan la nueva técnica en un estudio publicado hoy en Nature Communications. Sus coautores del MIT incluyen al estudiante graduado Fang Sheng, el postdoctorado Basita Das y el profesor de ingeniería mecánica Tonio Buonassisi, junto con el ex profesor visitante Hamide Kavak de la Universidad de Cukurova y el postdoctorado visitante Armi Tiihonen de la Universidad de Aalto. Potencia en óptica Una vez que se sintetiza un nuevo material electrónico, la caracterización de sus propiedades suele estar a cargo de un "experto en el dominio" que examina una muestra a la vez utilizando una herramienta de sobremesa llamada UV-Vis, que escanea a través de diferentes colores de luz para determinar dónde el semiconductor comienza a absorber con más fuerza. Este proceso manual es preciso, pero también requiere mucho tiempo: un experto en la materia suele caracterizar unas 20 muestras de material por hora, un paso de tortuga en comparación con algunas herramientas de impresión que pueden establecer 10.000 combinaciones de materiales diferentes por hora. "El proceso de caracterización manual es muy lento", dice Buonassisi. "Te dan una gran confianza en la medición, pero no se corresponden con la velocidad a la que puedes depositar materia en un sustrato hoy en día". Para acelerar el proceso de caracterización y eliminar uno de los mayores cuellos de botella en el cribado de materiales, Buonassisi y sus colegas recurrieron a la visión por ordenador, un campo que aplica algoritmos informáticos para analizar rápida y automáticamente las características ópticas de una imagen. "Hay poder en los métodos de caracterización óptica", señala Buonassisi. "Se puede obtener información muy rápidamente. Hay una riqueza en las imágenes, en muchos píxeles y longitudes de onda, que un humano simplemente no puede procesar, pero un programa de aprendizaje automático de computadora sí puede". El equipo se dio cuenta de que ciertas propiedades electrónicas, a saber, la banda prohibida y la estabilidad, podían estimarse basándose únicamente en la información visual, si esa información se capturaba con suficiente detalle y se interpretaba correctamente. Con ese objetivo en mente, los investigadores desarrollaron dos nuevos algoritmos de visión por computadora para interpretar automáticamente imágenes de materiales electrónicos: uno para estimar la banda prohibida y el otro para determinar la estabilidad. El primer algoritmo está diseñado para procesar datos visuales a partir de imágenes hiperespectrales muy detalladas. "En lugar de una imagen de cámara estándar con tres canales: rojo, verde y azul (RBG), la imagen hiperespectral tiene 300 canales", explica Siemenn. "El algoritmo toma esos datos, los transforma y calcula una banda prohibida. Llevamos a cabo ese proceso extremadamente rápido". El segundo algoritmo analiza imágenes RGB estándar y evalúa la estabilidad de un material en función de los cambios visuales en el color del material a lo largo del tiempo. "Descubrimos que el cambio de color puede ser un buen indicador de la tasa de degradación en el sistema de materiales que estamos estudiando", dice Aissi. Composiciones de materiales El equipo aplicó los dos nuevos algoritmos para caracterizar la banda prohibida y la estabilidad de unas 70 muestras semiconductoras impresas. Utilizaron una impresora robótica para depositar muestras en un solo portaobjetos, como galletas en una bandeja para hornear. Cada depósito se hizo con una combinación ligeramente diferente de materiales semiconductores. En este caso, el equipo imprimió diferentes proporciones de perovskitas, un tipo de material que se espera que sea un candidato prometedor para la célula solar, aunque también se sabe que se degrada rápidamente. "La gente está tratando de cambiar la composición, agregar un poco de esto, un poco de aquello, para tratar de hacer que [las perovskitas] sean más estables y de alto rendimiento", dice Buonassisi. Una vez que imprimieron 70 composiciones diferentes de muestras de perovskita en una sola diapositiva, el equipo escaneó la diapositiva con una cámara hiperespectral. A continuación, aplicaron un algoritmo que "segmenta" visualmente la imagen, aislando automáticamente las muestras del fondo. Ejecutaron el nuevo algoritmo de banda prohibida en las muestras aisladas y calcularon automáticamente la banda prohibida para cada muestra. Todo el proceso de extracción de la banda prohibida duró unos seis minutos. "Normalmente, un experto en el dominio tardaría varios días en caracterizar manualmente el mismo número de muestras", dice Siemenn. Para probar la estabilidad, el equipo colocó el mismo portaobjetos en una cámara en la que variaron las condiciones ambientales, como la humedad, la temperatura y la exposición a la luz. Utilizaron una cámara RGB estándar para tomar una imagen de las muestras cada 30 segundos durante dos horas. A continuación, aplicaron el segundo algoritmo a las imágenes de cada muestra a lo largo del tiempo para estimar el grado en que cada gota cambiaba de color o se degradaba en diversas condiciones ambientales. Al final, el algoritmo produjo un "índice de estabilidad", o una medida de la durabilidad de cada muestra. Como comprobación, el equipo comparó sus resultados con las mediciones manuales de las mismas gotas, tomadas por un experto en la materia. En comparación con las estimaciones de referencia del experto, los resultados de banda prohibida y estabilidad del equipo fueron un 98,5 por ciento y un 96,9 por ciento más precisos, respectivamente, y 85 veces más rápidos. "Nos sorprendió constantemente cómo estos algoritmos eran capaces no solo de aumentar la velocidad de caracterización, sino también de obtener resultados precisos", dice Siemenn. "Prevemos que esta ubicación se insertará en la actual línea de materiales automatizados que estamos desarrollando en el laboratorio, para que podamos ejecutarla de manera totalmente automatizada, utilizando el aprendizaje automático para guiar dónde queremos descubrir estos nuevos materiales, imprimirlos y luego caracterizarlos, todo con un procesamiento muy rápido".