科学家们正在努力探索能够提升太阳能电池和其他电子产品效率的新型半导体材料。然而，创新步伐却受到研究人员手动测量重要材料特性速度的制约。

麻省理工学院的研究人员开发的全自动机器人系统可以加快这一速度。

他们的系统利用机器人探头来测量一种称为光电导性的重要电特性，即材料对光的存在的电响应程度。

研究人员将人类专家的材料科学领域知识注入机器学习模型，以指导机器人的决策。这使得机器人能够识别探针接触材料的最佳位置，从而获取有关其光电导性的最多信息，同时专门的规划程序可以找到在接触点之间移动的最快路径。

在 24 小时的测试中，全自动机器人探测器每小时进行超过 125 次独特测量，比其他基于人工智能的方法更精确、更可靠。

通过大幅提高科学家表征新半导体材料重要特性的速度，这种方法可以促进产生更多电力的太阳能电池板的发展。

“我发现这篇论文非常令人兴奋，因为它为自主的、基于接触的表征方法提供了一种途径。并非所有材料的重要特性都能以非接触的方式测量。如果你需要与样品接触，你希望它快速进行，并且希望最大限度地获取信息量，”机械工程教授、自主系统论文的资深作者Tonio Buonassisi说道。

他的合著者包括：第一作者、研究生 Alexander (Aleks) Siemenn;博士后 Basita Das 和 Kangyu Ji;以及研究生 Fang Sheng。该研究成果将发表在《科学进展》杂志上。

建立联系

布纳西西可持续发展加速材料实验室的研究人员正在努力打造一个完全自主的材料发现实验室。他们最近专注于发现新型钙钛矿，这是一种用于太阳能电池板等光伏技术的半导体材料。

在之前的工作中，他们开发了快速合成和打印独特钙钛矿材料组合的技术。他们还设计了基于成像的方法来确定一些重要的材料特性。

但光电导性只能通过将探针放在材料上、照射光并测量电响应来表征。

“为了让我们的实验室尽可能快速、准确地运转，我们必须想出一个解决方案，既能产生最佳测量结果，又能最大限度地缩短整个过程所需的时间，”西门说。

这样做需要将机器学习、机器人技术和材料科学整合到一个自主系统中。

首先，机器人系统使用其机载摄像头拍摄印有钙钛矿材料的载玻片的图像。

然后，它使用计算机视觉将图像切割成片段，这些片段被输入到专门设计的神经网络模型中，以融入化学家和材料科学家的领域专业知识。

“这些机器人可以提高我们操作的可重复性和精确度，但重要的是仍然需要人类参与其中。如果我们没有一个好的方法将这些化学专家的丰富知识应用到我们的机器人中，我们就无法发现新的材料，”西门补充道。

该模型利用这些领域知识，根据样品的形状及其材料成分，确定探针接触的最佳点。这些接触点被输入路径规划器，该规划器会找到探针到达所有点的最有效路径。

这种机器学习方法的适应性尤其重要，因为打印的样品具有独特的形状，从圆形水滴到类似软糖的结构。

“这几乎就像测量雪花一样——很难找到两片完全相同的雪花，”布奥纳西西说。

一旦路径规划器找到最短路径，它就会向机器人的电机发送信号，机器人的电机操纵探头并快速连续地在每个接触点进行测量。

该方法速度快的关键在于神经网络模型的自监督特性。该模型直接在样本图像上确定最佳接触点，无需标记的训练数据。

研究人员还通过增强路径规划程序来加速系统。他们发现，在算法中添加少量噪声或随机性有助于找到最短路径。

“随着我们在这个自主实验室时代的发展，你确实需要这三种专业知识——硬件构建、软件和对材料科学的理解——汇聚到同一个团队中，才能快速创新。而这正是秘诀之一，”Buonassisi 说。

丰富的数据，快速的结果

系统从头构建完成后，研究人员对每个组件进行了测试。结果表明，相比其他七种基于人工智能的方法，神经网络模型能够以更短的计算时间找到更准确的接触点。此外，路径规划算法能够始终比其他方法找到更短的路径规划。

当他们将所有部件组装在一起进行 24 小时全自动实验时，机器人系统以每小时超过 125 次的速度进行了 3,000 多次独特的光电导测量。

此外，这种精确测量方法提供的细节水平使研究人员能够识别光电导性更高的热点以及材料退化的区域。

西门子表示：“能够以如此快的速度收集如此丰富的数据，而无需人工指导，这为发现和开发新的高性能半导体打开了大门，特别是对于太阳能电池板等可持续应用。”

研究人员希望继续构建这个机器人系统，努力创建一个完全自主的材料发现实验室。

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)。期刊信息： Science Advances