El brazo del Autobot mueve sustratos y deposita precursores líquidos para la síntesis de película delgada. Crédito: Marilyn Sargent/Berkeley Lab
Un equipo de investigación dirigido por el Laboratorio Nacional de Lawrence Berkeley del Departamento de Energía (Berkeley Lab) ha construido y demostrado con éxito una plataforma de experimentación automatizada para optimizar la fabricación de materiales avanzados. La plataforma, llamada Autobot, utiliza algoritmos de aprendizaje automático para dirigir dispositivos robóticos para sintetizar y caracterizar rápidamente los materiales. Los algoritmos refinan automáticamente los experimentos basados en el análisis de los resultados de la caracterización.
Los investigadores probaron la plataforma en una clase emergente de materiales llamadas perovskitas de haluro de metal que prometen promesas para aplicaciones como diodos emisores de luz (LED), láseres y fotodetectores. Autobot tardó solo unas pocas semanas en explorar numerosas combinaciones de parámetros de fabricación para encontrar las combinaciones que producen los materiales de la más alta calidad.
Informado por algoritmos de aprendizaje automático con una tasa de aprendizaje súper rápida, Autobot necesitaba probar experimentalmente solo el 1% de las 5,000 combinaciones para encontrar este “punto dulce”. Este proceso habría tomado hasta un año con el enfoque tradicional de prueba y error, donde los investigadores prueban manualmente un conjunto de parámetros a la vez, guiados por experiencia e intuición previas.
“Autobot representa un cambio de paradigma para la exploración y optimización de materiales”, dijo Carolin Sutter-Fella, una científica del laboratorio de Berkeley y uno de los autores correspondientes del estudio. “Al integrar la síntesis, la caracterización, la robótica y las capacidades de aprendizaje automático en una sola plataforma, Autobot acelera drásticamente el proceso de recetas de síntesis de detección. Su enfoque de aprendizaje rápido es un paso significativo para establecer laboratorios de optimización autónomos y puede ampliarse a una amplia gama de materiales y dispositivos”.
Los científicos de Molecular Foundry, una instalación de usuarios de la Oficina de Ciencias del Departamento de Energía ubicada en Berkeley Lab, concedieron la idea de Autobot, se expandieron en una plataforma de robótica comercial e implementaron soluciones para el procesamiento de datos, el análisis e infraestructura de aprendizaje automático.
El equipo multidisciplinario incluyó investigadores de la Universidad de Washington, la Universidad de Nevada, la Universidad de California-Davis, la Universidad de California-Berkeley y Friedrich-Alexander-Universität Erlangen-Nürnberg.
Los científicos informe Su trabajo en la revista avanzó Materiales Energy.
Un bucle de aprendizaje iterativo
Debido a que las perovskitas de haluro de metal son extremadamente sensibles a la humedad, se necesitan controles atmosféricos estrictos para hacer películas delgadas de alta calidad. Como resultado, la fabricación rentable a escala industrial es difícil de implementar. El equipo usó Autobot para identificar las condiciones de síntesis que pueden producir materiales de película delgada de buena calidad en entornos de mayor humedad, abordando una barrera clave para la producción a gran escala.
Autobot repitió una serie de tareas mientras ajustaba automáticamente las tareas en función del análisis de los resultados. Este ciclo de aprendizaje iterativo procedió de la siguiente manera:
Películas de perovskita de haluro sintetizadas de Autobot a partir de soluciones de precursores químicos, variando cuatro parámetros de síntesis, el momento de tratar las soluciones con un agente de cristalización; temperatura de calentamiento; Duración de calentamiento; y humedad relativa en la cámara de deposición de la película. La plataforma caracterizó muestras con tres técnicas: midiendo la cantidad de luz ultravioleta y visible que pasa a través de las muestras (espectroscopía UV-vis); Luz brillante sobre ellos y medir la luz emitida (espectroscopía de fotoluminiscencia); y el uso de la luz emitida para generar imágenes de las muestras para evaluar la homogeneidad de la película delgada (imágenes de fotoluminiscencia). Un flujo de trabajo de datos extrajo información de los resultados de caracterización, analizando y combinando los datos en una sola puntuación que representa la calidad de las películas. En base a estos puntajes, los algoritmos de aprendizaje automático modelaron la relación entre los parámetros de síntesis y la calidad de la película y decidieron los próximos experimentos. Estas decisiones se tomaron con el objetivo de evaluar las combinaciones de parámetros más informativas para maximizar la ganancia de información con cada iteración. Esto permitió predicciones eficientes y precisas de la calidad del material de película delgada para todas las combinaciones de parámetros.
En este video de doble tiempo, Autobot realiza la síntesis de películas delgadas de perovskite de haluro. Crédito: Marilyn Sargent/Berkeley Lab
Aprendizaje súper rápido
Autobot descubrió que las películas de alta calidad se pueden sintetizar a niveles de humedad relativa entre 5% y 25% al ajustar cuidadosamente los otros tres parámetros de síntesis.
“Este rango de humedad no requiere controles ambientales estrictos”, dijo Ansuman Halder, investigador postdoctoral del laboratorio de Berkeley y co-primero autor del artículo de investigación. “El hallazgo establece bases importantes para el desarrollo de instalaciones de fabricación comercial”.
Otra idea era que los niveles de humedad superiores al 25% desestabilizaron el material durante el proceso de deposición, lo que resultó en una mala calidad de la película. El equipo explicó y validó este hallazgo realizando manualmente la espectroscopía de fotoluminiscencia durante la síntesis de película.
El rendimiento de Autobot fue impresionante. Al identificar los experimentos más informativos, los algoritmos aprendieron rápidamente cómo los parámetros de síntesis influyen en la calidad de la película.
“Este fuerte rendimiento se demostró mediante una disminución dramática en la tasa de aprendizaje de los algoritmos después de que Autobot muestreó menos del 1% de las combinaciones de más de 5,000 parámetros”, dijo Maher Alghalayini, un erudito posdoctoral de Berkeley Lab y co-primero. “Debido a que los nuevos experimentos no estaban cambiando las predicciones de calidad del material de los algoritmos en este punto, decidimos dejar de realizar experimentos”.
Un aspecto innovador del estudio fue la “fusión de datos multimodales”. Esto implicó el uso de diversas herramientas de ciencias de datos y matemáticas para integrar los conjuntos de datos e imágenes dispares de las tres técnicas de caracterización en una sola métrica para la calidad del material. La idea era cuantificar los resultados para que los algoritmos de aprendizaje automático se puedan usar. Por ejemplo, los colaboradores de la Universidad de Washington diseñaron un enfoque para convertir las imágenes de fotoluminiscencia en un solo número en función de cómo la intensidad de la luz variaba a través de las imágenes.
Más información: Ansuman Halder et al, robot impulsado por IA permite la predicción de la relación de síntesis -propiedad para perovskitas de haluro metálico en una atmósfera húmeda, materiales de energía avanzada (2025). Doi: 10.1002/aenm.202502294
Proporcionado por el Laboratorio Nacional de Lawrence Berkeley
Cita: la plataforma Autobot utiliza el aprendizaje automático para encontrar rápidamente las mejores maneras de hacer materiales avanzados (2025, 18 de septiembre) Recuperado el 18 de septiembre de 2025 de https://techxplore.com/news/2025-09-autobot-platform –machine-rapidly-ways.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
