Introduzione al sistema robotico per la caratterizzazione di materiali
Un gruppo di ricercatori del Massachusetts Institute of Technology (MIT) ha sviluppato un dispositivo robotico in grado di misurare automaticamente la fotoconduttanza di nuovi semiconduttori. Questa proprietà elettrica, fondamentale per valutare la risposta di un materiale alla luce, viene tradizionalmente rilevata con puntali applicati manualmente. Il sistema del MIT collabora con modelli di intelligenza artificiale per individuare i punti ottimali di contatto e pianificare il percorso più rapido, riducendo drasticamente i tempi necessari per ottenere centinaia di misurazioni.
Contesto e obiettivi del progetto
Il laboratorio guidato dal professor Tonio Buonassisi si è posto l’obiettivo di accelerare lo sviluppo di materiali per celle solari e dispositivi elettronici. Nei decenni scorsi, la scoperta di nuove leghe semiconduttrici e di strutture di perovskite ha permesso di spingere il massimo teorico di efficienza dei pannelli fotovoltaici oltre il 30 percento, soprattutto in configurazioni tandem con silicio. Tuttavia, il collo di bottiglia risiede nella lentezza delle misure sperimentali, che impedisce di valutare rapidamente migliaia di campioni prodotti da tecniche di sintesi rapida.
Architettura del sistema e flusso operativo
Il cuore della soluzione MIT è un braccio robotico equipaggiato con una sonda elettronica e una telecamera ad alta risoluzione. Il flusso operativo si articola in tre fasi:
-
Rilevamento visivo
Il robot scatta un’immagine del vetrino contenente il materiale di perovskite o semiconduttore. -
Elaborazione mediante rete neurale
Grazie a un modello addestrato con conoscenze specifiche di chimici e ingegneri dei materiali, il sistema suddivide l’immagine in aree omogenee e identifica i punti di campionamento ideali per massimizzare l’informazione sulla fotoconduttanza. -
Pianificazione del percorso e misura
Un algoritmo di path planning calcola il tragitto più veloce per spostare la sonda fra tutti i punti selezionati, aggiungendo una componente di casualità controllata per evitare percorsi subottimali. Al termine, la sonda applica la luce e registra la risposta elettrica del campione.
Nel corso di un test di 24 ore, il sistema ha realizzato oltre 3.000 misurazioni uniche, superando 125 rilevazioni all’ora con precisione superiore a metodi comparabili basati su intelligenza artificiale.
Integrazione tra competenze e strumenti
L’efficacia del progetto nasce dall’unione di tre anime: la progettazione hardware del braccio robotico, il software di visione artificiale e machine learning, e la profonda conoscenza delle proprietà dei materiali semiconductori. Il team, composto da Alexander “Aleks” Siemenn (dottorando e primo autore), i postdoc Basita Das e Kangyu Ji, insieme agli studenti Fang Sheng e altri collaboratori, ha curato ogni dettaglio per garantire ripetibilità e accuratezza delle misure.
Applicazioni e impatto sulla ricerca fotovoltaica
La capacità di mappare con rapidità la fotoconduttanza favorisce l’individuazione di “hotspot” in grado di generare correnti più elevate e l’individuazione precoce di zone soggette a degradazione. Questo approccio promuove la selezione di perovskiti con maggiore stabilità e rendimento, agevolando l’ideazione di pannelli solari di nuova generazione. Sponsor del progetto sono First Solar, Eni attraverso il MIT Energy Initiative, MathWorks, l’Acceleration Consortium dell’Università di Toronto, il Dipartimento dell’Energia degli Stati Uniti e la National Science Foundation.
Prospettive di sviluppo e laboratori autonomi
L’obiettivo finale è integrare il sistema all’interno di un laboratorio completamente autonomo per la scoperta di materiali. Oltre alla fotoconduttanza, il team mira a estendere la robotica a misure di mobilità degli elettroni, spettroscopia ottica e test di stabilità in condizioni ambientali variabili. Un tale laboratorio potrebbe operare ininterrottamente, accelerando la pipeline che conduce dalle prime sintesi chimiche fino alla prototipazione di celle fotovoltaiche.
