MWC 2018
2018
Computex
IFA 2018
В процессе поиска новых материалов для определённых задач приходится производить множество замеров. Автоматизация этого процесса значительно ускорила бы исследования, а внедрение ИИ помогло бы с выбором наилучших точек измерения. Всё вместе обещает привести к созданию полностью автоматических лабораторий любого профиля. В Массачусетском технологическом институте сделали выбор в пользу исследования материалов для солнечных панелей.
Источник изображения: MIT
При исследовании образцов новых светочувствительных материалов приходится вручную выполнять множество замеров фотопроводимости. Все образцы различаются и редко имеют одинаковую форму. Дополнительные трудности создаёт неоднородность материалов — её необходимо распознать и выбрать правильное место для измерения. Казалось бы, можно воспользоваться машинным зрением, но некоторые характеристики невозможно определить бесконтактным способом. Необходим физический контакт, который отнимает у исследователей массу времени и сил.
Решить эту давнюю проблему — преодолеть медленную скорость ручного измерения ключевых свойств новых материалов, что, в частности, ограничивает прогресс в такой перспективной области, как солнечная энергетика, — взялась группа учёных из MIT. В основе созданной ими автоматической системы лежит роботизированный зонд, способный измерять фотопроводимость — свойство, показывающее, как материал реагирует на свет.
Благодаря интеграции экспертных знаний материаловедов в модель машинного обучения робот научился определять наиболее информативные точки на образце для проведения измерений. Такой подход в сочетании со специализированным алгоритмом планирования позволяет роботу быстро и эффективно перемещаться между точками замера.
«Я нахожу эту работу невероятно интересной, поскольку она открывает путь к автономным методам измерения характеристик, основанным на контакте, — сказал Тонио Буонассиси (Tonio Buonassisi), профессор и старший автор исследования. — Не все важные свойства материала можно измерить бесконтактно. Если необходимо установить контакт с образцом, вы хотите сделать это быстро и получить максимальный объём информации».
Разработанная платформа начинает работу с получения изображения образца перовскита с помощью встроенной камеры. Затем компьютерное зрение делит изображение на сегменты, которые анализируются с помощью нейросетевой модели, использующей знания химиков и материаловедов.
Основываясь на форме и составе образца, нейросеть определяет наилучшие точки для контакта зонда. Эти точки передаются в модуль планирования траектории, который рассчитывает наиболее эффективный маршрут для перемещения зонда. Адаптивность этого подхода имеет решающее значение, поскольку образцы часто имеют уникальную форму. «Это почти то же самое, что измерять снежинки – трудно найти две одинаковые», — отметил Буонассиси.
Ключевым нововведением стала самоконтролируемая работа нейросети, которая выбирает оптимальные точки контакта напрямую по изображениям образцов, без использования обучающих данных. Команда также улучшила алгоритм планирования маршрута, добавив элемент случайности, что помогло роботу находить более короткие и эффективные пути.
В ходе 24-часового тестирования робот выполнял более 125 уникальных измерений в час, превзойдя по точности и надёжности предыдущие ИИ-методы. Этот скачок в скорости и точности поможет ускорить разработку более эффективных солнечных панелей и других электронных устройств.
Источник:
