Tecnologia Científica

Sonda robótica mede rapidamente propriedades-chave de novos materiais
Desenvolvido para analisar novos semicondutores, o sistema pode agilizar o desenvolvimento de painéis solares mais potentes.
Por Adam Zewe - 10/07/2025


Cientistas estão se esforçando para descobrir novos materiais semicondutores que possam aumentar a eficiência de células solares e outros componentes eletrônicos. O ritmo da inovação é limitado pela velocidade com que os pesquisadores conseguem medir manualmente propriedades importantes dos materiais, mas um sistema robótico totalmente autônomo desenvolvido por pesquisadores do MIT pode acelerar esse processo. Crédito: iStock


Cientistas se esforçam para descobrir novos materiais semicondutores que possam aumentar a eficiência de células solares e outros componentes eletrônicos. Mas o ritmo da inovação é limitado pela velocidade com que os pesquisadores conseguem medir manualmente propriedades importantes dos materiais.

Um sistema robótico totalmente autônomo desenvolvido por pesquisadores do MIT pode acelerar as coisas.

O sistema utiliza uma sonda robótica para medir uma importante propriedade elétrica conhecida como fotocondutância, que é o quão eletricamente responsivo um material é à presença de luz.

Os pesquisadores injetam conhecimento da área de ciência dos materiais, obtido de especialistas humanos, no modelo de aprendizado de máquina que orienta a tomada de decisão do robô. Isso permite que o robô identifique os melhores pontos de contato com a sonda para obter o máximo de informações sobre sua fotocondutância, enquanto um procedimento de planejamento especializado encontra a maneira mais rápida de se mover entre os pontos de contato.

Durante um teste de 24 horas, a sonda robótica totalmente autônoma realizou mais de 125 medições exclusivas por hora, com mais precisão e confiabilidade do que outros métodos baseados em inteligência artificial.

Ao aumentar drasticamente a velocidade com que os cientistas podem caracterizar propriedades importantes de novos materiais semicondutores, esse método pode estimular o desenvolvimento de painéis solares que produzem mais eletricidade.

“Acho este artigo incrivelmente empolgante porque abre caminho para métodos de caracterização autônomos e baseados em contato. Nem todas as propriedades importantes de um material podem ser medidas sem contato. Se você precisa fazer contato com sua amostra, precisa que seja rápido e maximizar a quantidade de informações obtidas”, afirma Tonio Buonassisi, professor de engenharia mecânica e autor sênior de um artigo sobre o sistema autônomo.

Seus coautores incluem o autor principal Alexander (Aleks) Siemenn, um estudante de pós-graduação; os pós-doutores Basita Das e Kangyu Ji; e o estudante de pós-graduação Fang Sheng. O trabalho foi publicado hoje na Science Advances .

Fazendo contato

Desde 2018, pesquisadores do laboratório de Buonassisi trabalham para criar um laboratório de descoberta de materiais totalmente autônomo. Recentemente, eles se concentraram na descoberta de novas perovskitas, uma classe de materiais semicondutores usados em sistemas fotovoltaicos, como painéis solares.

Em trabalhos anteriores, eles desenvolveram técnicas para sintetizar e imprimir rapidamente combinações únicas de material perovskita. Eles também projetaram  métodos baseados em imagens para determinar algumas propriedades importantes do material.

Mas a fotocondutância é caracterizada com mais precisão colocando uma sonda no material, iluminando-o e medindo a resposta elétrica.

“Para permitir que nosso laboratório experimental operasse da forma mais rápida e precisa possível, tivemos que criar uma solução que produzisse as melhores medições e minimizasse o tempo necessário para executar todo o procedimento”, diz Siemann.

Para isso, foi necessária a integração de aprendizado de máquina, robótica e ciência dos materiais em um sistema autônomo.

Para começar, o sistema robótico usa sua câmera de bordo para tirar uma imagem de uma lâmina com material de perovskita impresso nela.

Em seguida, ele usa visão computacional para cortar essa imagem em segmentos, que são inseridos em um modelo de rede neural especialmente projetado para incorporar conhecimento especializado de químicos e cientistas de materiais.

"Esses robôs podem melhorar a repetibilidade e a precisão das nossas operações, mas é importante ainda ter um ser humano envolvido. Se não tivermos uma boa maneira de implementar o rico conhecimento desses especialistas químicos em nossos robôs, não seremos capazes de descobrir novos materiais", acrescenta Siemenn.


O modelo utiliza esse conhecimento de domínio para determinar os pontos ideais de contato da sonda com base no formato da amostra e na composição do material. Esses pontos de contato são inseridos em um planejador de trajetória que encontra a maneira mais eficiente para a sonda atingir todos os pontos.

A adaptabilidade dessa abordagem de aprendizado de máquina é especialmente importante porque as amostras impressas têm formatos únicos, desde gotas circulares até estruturas semelhantes a jujubas.

“É quase como medir flocos de neve — é difícil encontrar dois idênticos”, diz Buonassisi.

Quando o planejador de caminho encontra o caminho mais curto, ele envia sinais para os motores do robô, que manipulam a sonda e fazem medições em cada ponto de contato em rápida sucessão.

A chave para a velocidade dessa abordagem é a natureza autossupervisionada do modelo de rede neural. O modelo determina os pontos de contato ideais diretamente em uma imagem de amostra — sem a necessidade de dados de treinamento rotulados.

Os pesquisadores também aceleraram o sistema aprimorando o procedimento de planejamento de caminho. Descobriram que adicionar uma pequena quantidade de ruído, ou aleatoriedade, ao algoritmo o ajudou a encontrar o caminho mais curto.

“À medida que avançamos nesta era de laboratórios autônomos, realmente precisamos reunir todas essas três especialidades — construção de hardware, software e conhecimento da ciência dos materiais — na mesma equipe para conseguir inovar rapidamente. E isso é parte do segredo”, diz Buonassisi.

Dados ricos, resultados rápidos

Após a construção do sistema do zero, os pesquisadores testaram cada componente. Os resultados mostraram que o modelo de rede neural encontrou melhores pontos de contato com menos tempo de computação do que sete outros métodos baseados em IA. Além disso, o algoritmo de planejamento de trajetória encontrou consistentemente planos de trajetória mais curtos do que outros métodos.

Quando eles juntaram todas as peças para conduzir um experimento totalmente autônomo de 24 horas, o sistema robótico realizou mais de 3.000 medições exclusivas de fotocondutância a uma taxa superior a 125 por hora.

Além disso, o nível de detalhes fornecido por essa abordagem de medição precisa permitiu que os pesquisadores identificassem pontos críticos com maior fotocondutância, bem como áreas de degradação do material.

“Ser capaz de reunir dados tão ricos, que podem ser capturados em taxas tão rápidas, sem a necessidade de orientação humana, começa a abrir portas para descobrir e desenvolver novos semicondutores de alto desempenho, especialmente para aplicações de sustentabilidade, como painéis solares”, diz Siemenn.

Os pesquisadores querem continuar desenvolvendo esse sistema robótico enquanto se esforçam para criar um laboratório totalmente autônomo para descoberta de materiais.

Este trabalho é apoiado, em parte, pela First Solar, Eni através da MIT Energy Initiative, MathWorks, o Acceleration Consortium da Universidade de Toronto, o Departamento de Energia dos EUA e a Fundação Nacional de Ciências dos EUA.

 

.
.

Leia mais a seguir