У процесі пошуку нових матеріалів для певних завдань доводиться робити безліч вимірів. Автоматизація цього процесу значно прискорила б дослідження, а впровадження штучного інтелекту допомогло б із вибором найкращих точок виміру. Все разом обіцяє привести до створення повністю автоматичних лабораторій будь-якого профілю. У Массачусетському технологічному інституті зробили вибір на користь дослідження матеріалів для сонячних панелей.
При дослідженні зразків нових світлочутливих матеріалів доводиться виконувати вручну безліч вимірів фотопровідності. Усі зразки розрізняються та рідко мають однакову форму. Додаткові проблеми створює неоднорідність матеріалів — їх потрібно розпізнати та вибрати правильне місце для вимірювання. Здавалося б, можна скористатися машинним зором, але деякі характеристики неможливо визначити безконтактним способом. Необхідний фізичний контакт, який забирає в науковців багато часу і сил.
Розв’язати цю давню проблему — подолати повільну швидкість ручного виміру ключових властивостей нових матеріалів, що, зокрема, обмежує прогрес у такій перспективній галузі, як сонячна енергетика, — взялася група вчених із MIT. В основі створеної ними автоматичної системи лежить роботизований зонд, здатний вимірювати фотопровідність — властивість, що показує, як реагує матеріал на світ.
Завдяки інтеграції експертних знань матеріалознавців у модель машинного навчання робот навчився визначати найінформативніші точки на зразку для проведення вимірювань. Такий підхід у поєднанні зі спеціалізованим алгоритмом планування дозволяє роботу швидко та ефективно переміщатися між точками виміру.
«Я знаходжу цю роботу неймовірно цікавою, оскільки вона відкриває шлях до автономних методів вимірювання характеристик, що ґрунтуються на контакті, — сказав Тоніо Буонассісі (Tonio Buonassisi), професор і старший автор дослідження. — Не всі важливі властивості матеріалу можна виміряти безконтактно. Якщо необхідно встановити контакт зі зразком, ви хочете зробити це швидко та отримати максимальний обсяг інформації».
Розроблена платформа починає роботу з отримання зображення зразка перовськіту за допомогою вбудованої камери. Потім комп’ютерний зір поділяє зображення на сегменти, які аналізуються за допомогою нейромережевої моделі, яка використовує знання хіміків та матеріалознавців.
Ґрунтуючись на формі та складі зразка, нейромережа визначає найкращі точки контакту зонда. Ці точки передаються модулю планування траєкторії, який розраховує найбільш ефективний маршрут для переміщення зонда. Адаптивність цього підходу має вирішальне значення, оскільки зразки мають унікальну форму.
«Це майже те саме, що вимірювати сніжинки — важко знайти дві однакові», — зазначив Буонассісі.
Ключовим нововведенням стала самоконтрольована робота нейромережі, яка вибирає оптимальні точки контакту безпосередньо за зображеннями зразків, без використання навчальних даних. Команда також покращила алгоритм планування маршруту, додавши елемент випадковості, що допомогло роботу знаходити коротші та ефективніші шляхи.
У ході 24-годинного тестування робот виконував понад 125 унікальних вимірів на годину, перевершивши за точністю та надійністю попередні методи на базі штучного інтелекту. Цей стрибок у швидкості та точності допоможе прискорити розробку ефективніших сонячних панелей та інших електронних пристроїв.
Більше цікавого:
- Наука прийняття рішень і стратегії вибору — що вивчає нейроекономіка
- Наука в кіно — як зображають на екрані досліди над людьми
- Сьогодні — фантастика, а завтра? 15 sci-fi книг про екологічні катастрофи
Джерело: Techspot