p Pesquisadores do ORNL e da Universidade do Tennessee desenvolveram um fluxo de trabalho automatizado que combina robótica química e aprendizado de máquina para acelerar a busca por perovskitas estáveis. Crédito:Jaimee Janiga / ORNL, Departamento de Energia dos EUA
p Pesquisadores do Laboratório Nacional Oak Ridge do Departamento de Energia e da Universidade do Tennessee estão automatizando a busca por novos materiais para o avanço das tecnologias de energia solar. p Um novo fluxo de trabalho publicado em
Cartas de energia ACS combina robótica e aprendizado de máquina para estudar perovskitas de iodetos metálicos, ou MHPs - fino, leve, materiais flexíveis com excelentes propriedades para aproveitar a luz que pode ser usada para fazer células solares, iluminação e sensores com eficiência energética.
p "Nossa abordagem acelera a exploração de materiais perovskita, tornando exponencialmente mais rápido sintetizar e caracterizar muitas composições de materiais de uma vez e identificar áreas de interesse, "disse Sergei Kalinin do ORNL.
p O estudo, parte de uma colaboração da ORNL-UT Science Alliance, visa identificar os materiais MHP mais estáveis para integração de dispositivos.
p "A experimentação automatizada pode nos ajudar a abrir um caminho eficiente para explorar o que é um imenso reservatório de composições de materiais em potencial, "disse Mahshid Ahmadi da UT.
p Embora os MHPs sejam atraentes por sua alta eficiência e baixos custos de fabricação, sua sensibilidade ao ambiente limita o uso operacional. Exemplos do mundo real tendem a degradar muito rapidamente em condições ambientais, como luz, umidade ou calor, para ser prático.
p O enorme potencial para perovskitas apresenta um obstáculo inerente para a descoberta de materiais. Os cientistas enfrentam um vasto espaço de design em seus esforços para desenvolver modelos mais robustos. Mais de mil MHPs foram previstos, e cada um destes pode ser modificado quimicamente para gerar uma biblioteca quase ilimitada de composições possíveis.
p "É difícil superar este desafio com métodos convencionais de sintetizar e caracterizar amostras uma de cada vez, "disse Ahmadi." Nossa abordagem nos permite examinar até 96 amostras por vez para acelerar a descoberta e otimização de materiais. "
p A equipe selecionou quatro sistemas modelo MHP - produzindo 380 composições no total - para demonstrar o novo fluxo de trabalho para materiais processáveis por solução, composições que começam como misturas úmidas, mas secas a formas sólidas.
p A etapa de síntese empregou um robô de pipetagem programável projetado para trabalhar com microplacas padrão de 96 poços. A máquina economiza tempo ao dispensar manualmente muitas composições diferentes; e minimiza o erro na replicação de um processo tedioso que precisa ser executado exatamente nas mesmas condições ambientais, uma variável que é difícil de controlar por longos períodos.
p Próximo, os pesquisadores expuseram as amostras ao ar e mediram suas propriedades fotoluminescentes usando um leitor de placa óptica padrão.
p "É uma medição simples, mas é o padrão de fato para caracterizar a estabilidade em MHPs, "disse Kalinin." A chave é que as abordagens convencionais exigiriam muito trabalho, ao passo que fomos capazes de medir as propriedades fotoluminescentes de 96 amostras em cerca de cinco minutos. "
p A repetição do processo por várias horas captura diagramas de fase complexos nos quais os comprimentos de onda da luz variam entre as composições e evoluem com o tempo.
p A equipe desenvolveu um algoritmo de aprendizado de máquina para analisar os dados e localizar regiões com alta estabilidade.
p "O aprendizado de máquina nos permite obter mais informações de dados esparsos, prevendo propriedades entre pontos medidos, "disse Maxim Ziatdinov do ORNL, quem liderou o desenvolvimento do algoritmo. "Os resultados orientam a caracterização dos materiais, mostrando-nos onde olhar a seguir."
p Embora o estudo se concentre na descoberta de materiais para identificar as composições mais estáveis, o fluxo de trabalho também pode ser usado para otimizar as propriedades do material para aplicações optoeletrônicas específicas.
p O processo automatizado pode ser aplicado a qualquer material processável por solução para economia de tempo e custo em relação aos métodos de síntese tradicionais.
p O artigo do jornal é publicado como "Chemical Robotics Enabled Exploration of Stability in Multicomponent Lead Halide Perovskites via Machine Learning."