Michael Matz, Lawrence Berkeley Milli Laboratoriyası

Lisa Lock tərəfindən redaktə edilmiş , Robert Eqan tərəfindən nəzərdən keçirilmişdir

 Redaktorların qeydləriAutoBot-un qolu substratları hərəkət etdirir və nazik təbəqə sintezi üçün maye prekursorları yerləşdirir. Kredit: Marilyn Sargent/Berkeley Lab

Enerji Departamentinin Lourens Berkli Milli Laboratoriyasının (Berkeley Laboratoriyası) rəhbərlik etdiyi tədqiqat qrupu qabaqcıl materialların istehsalını optimallaşdırmaq üçün avtomatlaşdırılmış təcrübə platformasını qurmuş və uğurla nümayiş etdirmişdir. “AutoBot” adlanan platforma materialların sürətlə sintezi və səciyyələndirilməsi üçün robot cihazları yönləndirmək üçün maşın öyrənmə alqoritmlərindən istifadə edir. Alqoritmlər xarakteristika nəticələrinin təhlili əsasında eksperimentləri avtomatik dəqiqləşdirir.

Tədqiqatçılar platformanı işıq yayan diodlar (LED), lazerlər və fotodetektorlar kimi tətbiqlər üçün vəd göstərən metal halid perovskitlər adlı yeni yaranan materiallar sinfində sınaqdan keçirdilər . Ən yüksək keyfiyyətli materialları verən kombinasiyaları tapmaq üçün istehsal parametrlərinin çoxsaylı kombinasiyalarını araşdırmaq AutoBot-a cəmi bir neçə həftə çəkdi.

Super sürətli öyrənmə sürəti ilə maşın öyrənmə alqoritmləri ilə məlumatlandırılan AutoBot bu “şirin nöqtəni” tapmaq üçün 5000 kombinasiyanın yalnız 1%-ni eksperimental olaraq seçməli idi. Tədqiqatçıların əvvəlki təcrübə və intuisiyaya əsaslanaraq hər dəfə bir parametr dəstini əl ilə sınaqdan keçirdikləri ənənəvi sınaq və səhv yanaşması ilə bu proses bir ilə qədər çəkərdi.

Berkeley Laboratoriyasının alimi və tədqiqatın müvafiq müəlliflərindən biri Carolin Sutter-Fella, “AutoBot material kəşfiyyatı və optimallaşdırma üçün paradiqma dəyişikliyini təmsil edir” dedi. “Sintez, xarakteristika, robototexnika və maşın öyrənmə imkanlarını vahid platformada birləşdirərək, AutoBot sintez reseptlərinin yoxlanılması prosesini kəskin surətdə sürətləndirir. Onun sürətli öyrənmə yanaşması avtonom optimallaşdırma laboratoriyalarının yaradılması istiqamətində mühüm addımdır və materialların və cihazların geniş çeşidinə genişləndirilə bilər.”

Berkeley Laboratoriyasında yerləşən Elm İstifadəçi Mexanizminin Enerji Bürosu olan Molekulyar Foundry-nin alimləri AutoBot ideyasını yaratdılar, kommersiya robototexnika platformasında genişləndirdilər və məlumatların emalı, təhlili və maşın öyrənmə infrastrukturu üçün həllər tətbiq etdilər.

Multidissiplinar komandaya Vaşinqton Universiteti, Nevada Universiteti, Kaliforniya Universiteti-Devis, Kaliforniya-Berkeley Universiteti və Fridrix-Alexander-Universität Erlangen-Nürnberg-dən tədqiqatçılar daxil idi.

Alimlər öz işlərini Advanced Energy Materials jurnalında bildirirlər .

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=2793866484&adk=2520359048&adf=1100001614&pi=t.ma~as.2793866484&w=750&fwrn=4&fwrnh=0&lmt=1758272568&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-09-autobot-platform-machine-rapidly-ways.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&aieuf=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTQwLjAuNzMzOS4xMjgiLG51bGwsMCxudWxsLCI2NCIsW1siQ2hyb21pdW0iLCIxNDAuMC43MzM5LjEyOCJdLFsiTm90PUE_QnJhbmQiLCIyNC4wLjAuMCJdLFsiR29vZ2xlIENocm9tZSIsIjE0MC4wLjczMzkuMTI4Il1dLDBd&abgtt=6&dt=1758272562710&bpp=1&bdt=175&idt=576&shv=r20250918&mjsv=m202509110101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1758272275%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1758272275%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3D878d521b85743f4c%3AT%3D1751526237%3ART%3D1758272275%3AS%3DAA-AfjZCLruwaFzoQORvGPwXS3Y2&prev_fmts=0x0&nras=1&correlator=3266162409607&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=2069&biw=1905&bih=945&scr_x=0&scr_y=0&eid=42532523%2C95370627%2C95370776%2C95371225%2C95371810%2C95371814%2C95360684%2C95368093%2C95371230&oid=2&pvsid=1691834666444932&tmod=868222189&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=5640

İterativ öyrənmə döngəsi

Metal halid perovskitləri rütubətə son dərəcə həssas olduğundan , yüksək keyfiyyətli nazik filmlər hazırlamaq üçün sərt atmosfer nəzarəti tələb olunur . Nəticədə, iqtisadi cəhətdən səmərəli, sənaye miqyaslı istehsalın həyata keçirilməsi çətinləşir. Komanda yüksək rütubətli mühitlərdə yüksək keyfiyyətli nazik təbəqə materialları istehsal edə bilən sintez şərtlərini müəyyən etmək üçün AutoBot-dan istifadə edərək, irimiqyaslı istehsal üçün əsas maneəni aradan qaldırdı.

AutoBot nəticələrin təhlili əsasında tapşırıqları avtomatik tənzimləyərkən bir sıra tapşırıqları təkrarladı. Bu iterativ öyrənmə dövrü aşağıdakı kimi davam etdi:

1. AutoBot kimyəvi prekursor məhlullarından halid perovskit filmlərini sintez etdi, dörd sintez parametrini dəyişdirdi – məhlulların kristallaşma agenti ilə işlənməsi vaxtı; istilik temperaturu; istilik müddəti; və filmin çökmə kamerasında nisbi rütubət.
2. Platforma nümunələri üç üsulla xarakterizə edirdi: nümunələrdən nə qədər ultrabənövşəyi və görünən işığın keçdiyini ölçmək (UV-Vis spektroskopiyası); onlara işıq saçmaq və buraxılan işığın ölçülməsi (fotolüminessensiya spektroskopiyası); və nazik təbəqənin homojenliyini qiymətləndirmək üçün nümunələrin şəkillərini yaratmaq üçün yayılan işıqdan istifadə (fotolüminesans görüntüləmə).
3. Məlumatların iş prosesi xarakteristika nəticələrindən məlumat çıxarır, məlumatları təhlil edir və filmlərin keyfiyyətini təmsil edən vahid hesabda birləşdirir.
4. Bu ballar əsasında maşın öyrənmə alqoritmləri sintez parametrləri ilə film keyfiyyəti arasındakı əlaqəni modelləşdirərək növbəti təcrübələrə qərar verdi. Bu qərarlar hər bir iterasiya ilə maksimum məlumat əldə etmək üçün ən informativ parametr birləşmələrini qiymətləndirmək məqsədi ilə qəbul edilmişdir. Bu, bütün parametr birləşmələri üçün nazik təbəqə materialının keyfiyyətinin səmərəli, dəqiq proqnozlaşdırılmasına imkan verdi.

https://www.youtube.com/embed/-WY-7stYw7U?color=whiteBu ikiqat videoda AutoBot halid perovskit nazik təbəqələrinin sintezini həyata keçirir. Kredit: Marilyn Sargent/Berkeley Lab

Super sürətli öyrənmə

AutoBot müəyyən edib ki, digər üç sintez parametrini diqqətlə tənzimləməklə yüksək keyfiyyətli filmlər 5% ilə 25% arasında nisbi rütubət səviyyələrində sintez edilə bilər.

“Bu rütubət diapazonu ciddi ekoloji nəzarət tələb etmir” dedi Berkeley Laboratoriyasının doktoranturadan sonrakı tədqiqatçısı və tədqiqat məqaləsinin birinci həmmüəllifi Ansuman Halder. “Bu tapıntı kommersiya istehsal müəssisələrinin inkişafı üçün mühüm zəmin yaradır”.

Başqa bir fikir ondan ibarət idi ki, 25%-dən yuxarı rütubət səviyyələri çökmə prosesi zamanı materialı qeyri-sabitləşdirir, nəticədə film keyfiyyəti pis olur. Komanda film sintezi zamanı fotolüminessensiya spektroskopiyasını əl ilə yerinə yetirərək bu tapıntını izah etdi və təsdiqlədi.

AutoBot-un performansı təsir edici idi. Ən informativ təcrübələri müəyyən etməklə, alqoritmlər sintez parametrlərinin film keyfiyyətinə necə təsir etdiyini sürətlə öyrəndi.

“Bu güclü performans, AutoBot 5000-dən çox parametr birləşməsinin 1%-dən azını seçdikdən sonra alqoritmlərin öyrənmə sürətinin kəskin azalması ilə nümayiş olundu” dedi Berkeley Laboratoriyasının doktoranturadan sonrakı alimi və birinci həmkarı Maher Alghalayini. “Bu nöqtədə yeni təcrübələr alqoritmlərin material keyfiyyəti ilə bağlı proqnozlarını dəyişdirmədiyi üçün biz təcrübələri yerinə yetirməyi dayandırmağa qərar verdik.”

Tədqiqatın innovativ cəhəti “multimodal məlumatların birləşməsi” idi. Bu, material keyfiyyəti üçün üç səciyyələndirmə texnikasından fərqli məlumat dəstləri və şəkilləri birləşdirmək üçün müxtəlif məlumat elmi və riyazi alətlərdən istifadə etməyi əhatə edirdi. İdeya, nəticələrin kəmiyyətcə ölçülməsi idi ki, onlar maşın öyrənmə alqoritmləri tərəfindən istifadə olunsun. Məsələn, Vaşinqton Universitetindəki əməkdaşlar işığın intensivliyinin şəkillər arasında necə dəyişdiyinə əsaslanaraq, fotolüminessensiya şəkillərini vahid nömrəyə çevirmək üçün bir yanaşma hazırladılar.

Daha çox məlumat: Ansuman Halder və digərləri, AI ilə idarə olunan robot nəmli atmosferdə metal halid perovskitləri üçün sintez-mülkiyyət əlaqəsinin proqnozlaşdırılmasına imkan verir, Qabaqcıl Enerji Materialları (2025). DOI: 10.1002/aenm.202502294

Jurnal məlumatı: Advanced Energy Materials Lawrence Berkeley Milli Laboratoriyası tərəfindən təmin edilmişdir