作者阿什利·赫夫,橡树岭国家实验室 ORNL大学和田纳西大学的研究人员开发了一种结合化学机器人和机器学习的自动化工作流程,以加速寻找稳定的钙钛矿
信用:杰米·贾尼加/美国ORNL
S
能源部 能源部橡树岭国家实验室和田纳西大学的研究人员正在自动寻找新材料来推进太阳能技术
发表在《美国化学学会能源快报》上的一个新工作流程将机器人技术和机器学习结合起来,研究金属卤化物钙钛矿(MHPs)——一种薄、轻、柔韧的材料,具有利用光的优异性能,可用于制造太阳能电池、节能照明和传感器
“我们的方法加快了对钙钛矿材料的探索,使得同时合成和表征许多材料成分以及确定感兴趣的领域的速度成倍提高,”ORNL的谢尔盖·加里宁说
这项研究是ORNL大学科学联盟合作的一部分,旨在确定最稳定的MHP器件集成材料
“自动化实验可以帮助我们在探索巨大的潜在材料成分池方面开辟一条有效的道路,”密歇根大学的马赫什德·艾哈迈迪说
尽管金属氢化物发生器因其高效率和低制造成本而具有吸引力,但其对环境的敏感性限制了其实际应用
现实世界的例子往往在环境条件下,如光、湿度或热,退化得太快,不切实际
钙钛矿的巨大潜力给材料发现带来了固有的障碍
科学家在努力开发更健壮的模型时面临着巨大的设计空间
已经预测了1000多个分子氢谱,每一个分子氢谱都可以进行化学修饰,生成一个几乎无限的可能成分库
“用传统的方法一次合成和表征一个样品是很难克服这个挑战的,”艾哈迈迪说
“我们的方法允许我们一次筛选多达96个样本,以加快材料发现和优化
" 该团队选择了四个模型MHP系统——总共产生380种成分——来演示溶液可加工材料的新工作流程,这些成分从湿混合物开始,但干燥成固体形式
合成步骤采用了可编程移液机器人,设计用于标准96孔微孔板
该机器比手动分配许多不同的组合物节省时间;并且它最小化了在复制需要在完全相同的环境条件下执行的繁琐过程中的误差,该环境条件是难以在长时间内控制的变量
接下来,研究人员将样品暴露在空气中,用标准光学板阅读器测量它们的光致发光特性
“这是一个简单的测量方法,但却是表征磁流体动力系统稳定性的事实标准,”卡林说
“关键是,传统的方法将是劳动密集型的,而我们能够在大约5分钟内测量96个样品的光致发光特性
" 重复这个过程几个小时,得到了复杂的相图,其中光的波长随成分变化,并随时间演变
该团队开发了一种机器学习算法来分析数据,并在具有高稳定性的区域内运行
“机器学习使我们能够通过预测测量点之间的属性,从稀疏的数据中获得更多的信息,”领导该算法开发的ORNL的马克西姆·齐亚特季诺夫说
“研究结果通过向我们展示下一步的发展方向来指导材料表征
" 虽然这项研究的重点是材料发现,以确定最稳定的成分,该工作流程也可用于优化特定光电应用的材料性能
与传统合成方法相比,自动化方法可以应用于任何可溶液处理的材料,从而节省时间和成本
该期刊文章发表为“通过机器学习实现多组分卤化铅钙钛矿稳定性的化学机器人探索”
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!