Kredit:Milad Abolhasani, North Carolina State University
Forskare från North Carolina State University och University i Buffalo har utvecklat och demonstrerat ett "självkörande labb" som använder artificiell intelligens (AI) och fluidsystem för att förbättra vår förståelse av metallhalogenidperovskit (MHP) nanokristaller. Detta självkörande labb kan också användas för att undersöka ett brett spektrum av andra halvledar- och metalliska nanomaterial.
"Vi har skapat ett självkörande laboratorium som kan användas för att främja både grundläggande nanovetenskap och tillämpad ingenjörskonst", säger Milad Abolhasani, motsvarande författare till en artikel om arbetet och docent i kemisk och bimolekylär teknik vid NC State.
För sina proof-of-concept demonstrationer fokuserade forskarna på helt oorganiska metallhalogenidperovskit (MHP) nanokristaller, cesiumblyhalogenid (CsPbX3 X=Cl, Br). MHP nanokristaller är en framväxande klass av halvledarmaterial som, på grund av deras lösningsbearbetningsbarhet och unika storleks- och sammansättningsjusterbara egenskaper, anses ha potential för användning i tryckta fotoniska enheter och energiteknologier. Till exempel är MHP nanokristaller mycket effektiva optiskt aktiva material och övervägs för användning i nästa generations lysdioder. Och eftersom de kan göras med hjälp av lösningsbearbetning har de potential att göras på ett kostnadseffektivt sätt.
Lösningsbearbetade material är material som tillverkas med flytande kemiska prekursorer, inklusive högvärdiga material som kvantprickar, metall/metalloxid-nanopartiklar och organiska metallstrukturer.
Men MHP nanokristaller är inte i industriell användning ännu.
"Delvis beror det på att vi fortfarande utvecklar en bättre förståelse för hur man syntetiserar dessa nanokristaller för att konstruera alla egenskaper som är förknippade med MHP", säger Abolhasani. "Och, delvis, för att syntetisera dem kräver en grad av precision som har förhindrat storskalig tillverkning från att vara kostnadseffektiv. Vårt arbete här tar upp båda dessa frågor."
Den nya tekniken bygger vidare på konceptet Artificial Chemist 2.0, som Abolhasanis labb presenterade 2020. Artificial Chemist 2.0 är helt autonomt och använder AI och automatiserade robotsystem för att utföra kemisk syntes och analys i flera steg. I praktiken fokuserade det systemet på att justera bandgapet för MHP-kvantprickar, vilket gjorde det möjligt för användare att gå från att begära en anpassad kvantprick till att slutföra relevant FoU och påbörja tillverkningen på mindre än en timme.
"Vår nya självkörande labbteknik kan autonomt dopa MHP-nanokristaller och lägga till manganatomer i nanokristallernas kristallina gitter vid behov," säger Abolhasani.
Doping av materialet med varierande halter av mangan förändrar de optiska och elektroniska egenskaperna hos nanokristallerna och introducerar magnetiska egenskaper till materialet. Till exempel kan dopning av MHP-nanokristallerna med mangan ändra våglängden på ljuset som emitteras från materialet.
"Denna förmåga ger oss ännu större kontroll över egenskaperna hos MHP nanokristallerna," säger Abolhasani. "I huvudsak är universum av potentiella färger som kan produceras av MHP nanokristaller nu större. Och det är inte bara färg. Det erbjuder ett mycket större utbud av elektroniska och magnetiska egenskaper."
Den nya självkörande labbtekniken erbjuder också ett mycket snabbare och effektivare sätt att förstå hur man konstruerar MHP nanokristaller för att erhålla den önskade kombinationen av egenskaper. Video med den nya tekniken finns på https://www.youtube.com/watch?v=2BflpW6R4HI.
"Låt oss säga att du vill få en djupgående förståelse för hur mangandopning och bandgap tuning kommer att påverka en specifik klass av MHP nanokristaller, som CsPbX3 ", säger Abolhasani. "Det finns ungefär 160 miljarder möjliga experiment som du skulle kunna köra, om du ville kontrollera för varje möjlig variabel i varje experiment. Med konventionella tekniker skulle det fortfarande i allmänhet ta hundratals eller tusentals experiment för att lära sig hur dessa två processer – mangandopning och bandgap-tuning – skulle påverka egenskaperna hos nanokristallerna av cesiumblyhalogenid."
Men det nya systemet gör allt detta självständigt. Specifikt väljer dess AI-algoritm och kör sina egna experiment. Resultaten från varje avslutat experiment informerar om vilket experiment det kommer att köra nästa – och det fortsätter tills det förstår vilka mekanismer som styr MHP:s olika egenskaper.
"Vi fann, i en praktisk demonstration, att systemet kunde få en grundlig förståelse för hur dessa processer förändrar egenskaperna hos cesium blyhalogenid nanokristaller i endast 60 experiment," säger Abolhasani. "Med andra ord kan vi få den information vi behöver för att konstruera ett material på timmar istället för månader."
While the work demonstrated in the paper focuses on MHP nanocrystals, the autonomous system could also be used to characterize other nanomaterials that are made using solution processes, including a wide variety of metallic and semiconductor nanomaterials.
"We're excited about how this technology will broaden our understanding of how to control the properties of these materials, but it's worth noting that this system can also be used for continuous manufacturing," Abolhasani says. "So you can use the system to identify the best possible process for creating your desired nanocrystals, and then set the system to start producing material nonstop—and with incredible specificity.
"We've created a powerful technology. And we're now looking for partners to help us apply this technology to specific challenges in the industrial sector."
The paper, "Autonomous Nanocrystal Doping by Self-Driving Fluidic Micro-Processors," is published open access in the journal Advanced Intelligent Systems. + Utforska vidare
