Forskare vid Department of Energy's Oak Ridge National Laboratory och University of Tennessee automatiserar sökandet efter nya material för att främja solenergiteknik.

Ett nytt arbetsflöde publicerat i ACS Energibrev kombinerar robotik och maskininlärning för att studera metallhalogenidperovskiter, eller MHP-tunna, lättvikt, flexibla material med enastående egenskaper för att utnyttja ljus som kan användas för att tillverka solceller, energieffektiv belysning och sensorer.

"Vårt tillvägagångssätt påskyndar utforskningen av perovskitmaterial, gör det exponentiellt snabbare att syntetisera och karakterisera många materialsammansättningar samtidigt och identifiera intresseområden, " sa ORNLs Sergei Kalinin.

Studien, del av ett ORNL-UT Science Alliance-samarbete, syftar till att identifiera de mest stabila MHP-materialen för enhetsintegration.

"Automatisk experimentering kan hjälpa oss att skapa en effektiv väg framåt för att utforska vad som är en enorm pool av potentiella materialsammansättningar, " sa UT:s Mahshid Ahmadi.

Även om MHP är attraktiva för sin höga effektivitet och låga tillverkningskostnader, deras känslighet för miljön begränsar operativ användning. Verkliga exempel tenderar att försämras för snabbt under omgivande förhållanden, som ljus, fukt eller värme, att vara praktisk.

Den enorma potentialen för perovskiter utgör ett inneboende hinder för materialupptäckt. Forskare står inför ett stort designutrymme i sina ansträngningar att utveckla mer robusta modeller. Mer än tusen MHP har förutspåtts, och var och en av dessa kan modifieras kemiskt för att generera ett nästan gränslöst bibliotek av möjliga kompositioner.

"Det är svårt att övervinna denna utmaning med konventionella metoder för att syntetisera och karakterisera prover en i taget, ", sade Ahmadi. "Vår metod tillåter oss att screena upp till 96 prover åt gången för att påskynda materialupptäckt och optimering."

Teamet valde ut fyra MHP-modeller – vilket ger totalt 380 kompositioner – för att demonstrera det nya arbetsflödet för material som kan bearbetas i lösning, kompositioner som börjar som våta blandningar men torra till fasta former.

Syntessteget använde en programmerbar pipetteringsrobot utformad för att fungera med standardmikroplattor med 96 brunnar. Maskinen sparar tid genom att manuellt dispensera många olika kompositioner; och det minimerar fel vid replikering av en tråkig process som måste utföras i exakt samma omgivningsförhållanden, en variabel som är svår att kontrollera under längre perioder.

Nästa, forskare exponerade prover för luft och mätte deras fotoluminiscenta egenskaper med hjälp av en vanlig optisk plattläsare.

"Det är en enkel mätning men är de facto standarden för att karakterisera stabilitet i MHP, " sade Kalinin. "Nyckeln är att konventionella metoder skulle vara arbetsintensiva, medan vi kunde mäta de fotoluminescerande egenskaperna för 96 prover på cirka fem minuter."

Genom att upprepa processen under flera timmar fångades komplexa fasdiagram där ljusets våglängder varierar över kompositioner och utvecklas över tiden.

Teamet utvecklade en maskininlärningsalgoritm för att analysera data och komma in i regioner med hög stabilitet.

"Maskininlärning gör det möjligt för oss att få ut mer information ur glesa data genom att förutsäga egenskaper mellan uppmätta punkter, " sa ORNLs Maxim Ziatdinov, som ledde utvecklingen av algoritmen. "Resultaten vägleder materialkarakterisering genom att visa oss var vi ska leta härnäst."

Medan studien fokuserar på materialupptäckt för att identifiera de mest stabila kompositionerna, arbetsflödet kan också användas för att optimera materialegenskaper för specifika optoelektroniska applikationer.

Den automatiserade processen kan tillämpas på vilket som helst lösningsbearbetbart material för tids- och kostnadsbesparingar jämfört med traditionella syntesmetoder.

Tidskriftsartikeln publiceras som "Chemical Robotics Enabled Exploration of Stability in Multicomponent Lead Halide Perovskites via Machine Learning."