La plate-forme Autobot utilise l'apprentissage automatique pour trouver rapidement les meilleures façons de fabriquer des matériaux avancés

Une équipe de recherche dirigée par le Laboratoire national de Lawrence Berkeley du ministère de l'Énergie (Berkeley Lab) a construit et a démontré avec succès une plate-forme d'expérimentation automatisée pour optimiser la fabrication de matériaux avancés. La plate-forme, appelée Autobot, utilise des algorithmes d'apprentissage automatique pour diriger les appareils robotiques pour synthétiser et caractériser rapidement les matériaux. Les algorithmes affinent automatiquement les expériences en fonction de l'analyse des résultats de caractérisation.

Les chercheurs ont testé la plate-forme sur une classe émergente de matériaux appelés pérovskites halogénures métalliques qui sont prometteurs pour des applications telles que les diodes électroluminescentes (LED), les lasers et les photodétecteurs. Il n'a fallu que quelques semaines pour explorer de nombreuses combinaisons de paramètres de fabrication pour trouver les combinaisons qui donnent des matériaux de la plus haute qualité.

Informé par des algorithmes d'apprentissage automatique avec un taux d'apprentissage super rapide, Autobot devait échantillonner expérimentalement seulement 1% des 5 000 combinaisons pour trouver ce « point idéal ». Ce processus aurait pris jusqu'à une année avec l'approche traditionnelle des essais et des erreurs, où les chercheurs testent manuellement un ensemble de paramètres à la fois, guidé par une expérience et une intuition antérieures.

« Autobot représente un changement de paradigme pour l'exploration et l'optimisation des matériaux », a déclaré Carolin Sutter-Fella, un scientifique de Berkeley Lab et l'un des auteurs correspondants de l'étude. « En intégrant la synthèse, la caractérisation, la robotique et les capacités d'apprentissage automatique dans une seule plate-forme, Autobot accélère considérablement le processus de dépistage des recettes de synthèse. Son approche d'apprentissage rapide est une étape importante vers la création de laboratoires d'optimisation autonome et peut être étendu à un large éventail de matériaux et de dispositifs. »

Les scientifiques de la fonderie moléculaire – une installation d'utilisateurs du ministère de l'Énergie des sciences située à Berkeley Lab – ont conçu l'idée d'Autobot, étendu sur une plate-forme de robotique commerciale et mis en œuvre des solutions pour le traitement des données, l'analyse et l'infrastructure d'apprentissage automatique.

L'équipe multidisciplinaire comprenait des chercheurs de l'Université de Washington, de l'Université du Nevada, de l'Université de Californie – Davis, de l'Université de Californie – Berkeley et de Friedrich-Alexander-Universität Erlangen – Nürnberg.

Les scientifiques rapportent leur travail dans la revue Matériaux d'énergie avancée.

Une boucle d'apprentissage itérative

Parce que les pérovskites halogénures en métal sont extrêmement sensibles à l'humidité, des contrôles atmosphériques stricts sont nécessaires pour fabriquer des couches minces de haute qualité. En conséquence, la fabrication rentable à l'échelle industrielle est difficile à mettre en œuvre. L'équipe a utilisé Autobot pour identifier les conditions de synthèse qui peuvent produire des matériaux à couches minces de bonne qualité dans des environnements d'humidité plus élevés, abordant une barrière clé à la production à grande échelle.

Autobot a répété une série de tâches tout en ajustant automatiquement les tâches en fonction de l'analyse des résultats. Cette boucle d'apprentissage itérative s'est déroulée comme suit:

1. Autobot synthétisé des films de pérovskite halogénures à partir de solutions de précurseurs chimiques, variant quatre paramètres de synthèse – le moment du traitement des solutions avec un agent de cristallisation; température de chauffage; durée de chauffage; et l'humidité relative dans la chambre de dépôt de film.
2. La plate-forme a caractérisé les échantillons avec trois techniques: mesurer la quantité ultraviolette et la lumière visible passe à travers les échantillons (spectroscopie UV-vis); briller la lumière sur eux et mesurer la lumière émise (spectroscopie de photoluminescence); et en utilisant la lumière émise pour générer des images des échantillons pour évaluer l'homogénéité des couches minces (imagerie de photoluminescence).
3. Un flux de travail de données a extrait les informations des résultats de caractérisation, analysant et combinant les données en un seul score représentant la qualité des films.
4. Sur la base de ces scores, les algorithmes d'apprentissage automatique ont modélisé la relation entre les paramètres de synthèse et la qualité du film et ont décidé des prochaines expériences. Ces décisions ont été prises dans le but d'évaluer les combinaisons de paramètres les plus informatives pour maximiser le gain d'informations à chaque itération. Cela a permis des prédictions efficaces et précises de la qualité du matériau à couches minces pour toutes les combinaisons de paramètres.

Apprentissage super rapide

Autobot a révélé que les films de haute qualité peuvent être synthétisés à des niveaux d'humidité relatifs entre 5% et 25% en réglant soigneusement les trois autres paramètres de synthèse.

« Cette gamme d'humidité ne nécessite pas de contrôles environnementaux stricts », a déclaré Ansuman Halder, chercheur postdoctoral de Berkeley Lab et co-premier auteur du document de recherche. « La constatation jette des bases importantes pour le développement d'installations de fabrication commerciales. »

Un autre aperçu était que les niveaux d'humidité supérieurs à 25% ont déstabilisé le matériau pendant le processus de dépôt, entraînant une mauvaise qualité du film. L'équipe a expliqué et validé cette découverte en effectuant une spectroscopie de photoluminescence exécutée manuelle pendant la synthèse du film.

Les performances d'Autobot étaient impressionnantes. En identifiant les expériences les plus informatives, les algorithmes ont rapidement appris comment les paramètres de synthèse influencent la qualité du film.

« Cette forte performance a été démontrée par une baisse spectaculaire du taux d'apprentissage des algorithmes après que Autobot ait échantillonné moins de 1% des combinaisons de paramètres de plus de 5 000 », a déclaré Maher Alghalayini, érudit postdoctoral de Berkeley Lab et comitoral. « Parce que de nouvelles expériences ne modifiaient pas les prédictions de qualité des matériaux des algorithmes à ce stade, nous avons décidé de cesser de réaliser des expériences. »

Un aspect innovant de l'étude était la «fusion multimodale des données». Cela impliquait d'utiliser diverses outils de science des données et de mathématiques pour intégrer les ensembles de données et les images disparates des trois techniques de caractérisation en une seule métrique pour la qualité du matériau. L'idée était de quantifier les résultats afin qu'ils soient utilisables par les algorithmes d'apprentissage automatique. Par exemple, les collaborateurs de l'Université de Washington ont conçu une approche pour convertir les images de photoluminescence en un seul numéro en fonction de la façon dont l'intensité de la lumière variait entre les images.