在追求更高效太阳能电池与其他电子产品的征程中，科学家们对新型半导体材料的探索从未停歇。然而，手动测量材料关键特性的缓慢速度，成为创新步伐的一大阻碍。近日，麻省理工学院研究人员开发的全新全自动机器人系统，为这一难题带来了突破性解决方案。

该系统借助机器人探头，聚焦于测量材料的光电导性——即材料对光的电响应程度这一关键电特性。研究人员将人类专家在材料科学领域的深厚知识注入机器学习模型，为机器人决策提供精准指引。这使得机器人能够精准识别探针接触材料的最佳位置，从而获取关于光电导性的丰富信息。同时，专门的规划程序为探针在接触点间的移动规划出最快路径。

在24小时的严格测试中，这一全自动机器人探测器展现出惊人效率，每小时完成超过125次独特测量，且相较于其他基于人工智能的方法，其测量结果更为精确、可靠。

机械工程教授、自主系统论文资深作者Tonio Buonassisi对这项研究成果给予高度评价：“这篇论文意义非凡，它为自主的、基于接触的表征方法开辟了道路。并非所有材料的关键特性都能通过非接触方式测量，若需与样品接触，快速且最大限度地获取信息至关重要。”该研究成果即将发表于《科学进展》杂志，其合著者包括研究生Alexander (Aleks) Siemenn(第一作者)、博士后Basita Das和Kangyu Ji，以及研究生Fang Sheng。

布纳西西可持续发展加速材料实验室的研究人员正全力打造一个完全自主的材料发现实验室，近期专注于新型钙钛矿这种用于太阳能电池板等光伏技术的半导体材料的发现。此前，他们已开发出快速合成和打印独特钙钛矿材料组合的技术，并设计了基于成像的方法来确定部分关键材料特性。然而，光电导性的表征必须通过将探针置于材料上、照射光并测量电响应来完成。

为使实验室高效运转，研究人员将机器学习、机器人技术和材料科学整合为一个自主系统。该系统首先利用机载摄像头拍摄印有钙钛矿材料的载玻片图像，再通过计算机视觉将图像分割成片段，输入到融入化学家和材料科学家领域专业知识的神经网络模型中。模型依据样品形状和材料成分确定探针接触的最佳点，路径规划器则找出探针到达所有点的最有效路径。

这种机器学习方法具有高度适应性，因为打印的样品形状各异，从圆形水滴到类似软糖的结构。其速度关键在于神经网络模型的自监督特性，模型可直接在样本图像上确定最佳接触点，无需标记的训练数据。此外，研究人员通过增强路径规划程序，在算法中添加少量噪声或随机性，成功找到最短路径。

系统构建完成后，各组件测试结果显示，神经网络模型相比其他七种基于人工智能的方法，能以更短计算时间找到更准确接触点;路径规划算法也始终能找到更短路径。在24小时全自动实验中，机器人系统以每小时超125次的速度完成了3000多次独特光电导测量。

这种精确测量方法不仅提供了丰富的细节，帮助研究人员识别光电导性更高的热点以及材料退化区域，还为发现和开发新的高性能半导体打开了大门，尤其对太阳能电池板等可持续应用意义重大。西门子表示：“能够如此快速地收集丰富数据，且无需人工指导，这为半导体材料研究带来了新的可能。”

目前，研究人员希望继续完善这个机器人系统，朝着创建完全自主的材料发现实验室的目标迈进，为高端设备制造领域的材料创新注入强大动力。

更多信息： Alexander Siemenn，《一种用于基于自主接触的半导体特性空间映射的自监督机器人系统》，《科学进展》(2025)。