วิศวกรจาก MIT ได้พัฒนาเทคนิคด้าน Computer Vision แบบใหม่ที่ช่วยเพิ่มความเร็วของการระบุคุณลักษณะสำหรับวัสดุอิเล็กทรอนิกส์สังเคราะห์ที่ถูกสร้างขึ้นมาใหม่ได้ ซึ่งมีความรวดเร็วกว่าวิธีดั้งเดิมถึง 85 เท่า ช่วยเพิ่มประสิทธิภาพของแผงพลังงานแสงอาทิตย์, ตัวต้านทาน, LED และแบตเตอรี่ ที่ซึ่งต้องการวัตถุดิบทางอิเล็กทรอนิกส์ที่ดียิ่งขึ้น
‘คอขวดในการคัดกรอง’ ปัญหาใหญ่ของการค้นคว้าและพัฒนาวัตถุดิบอิเล็กทรอนิกส์ใหม่ ๆ
เพื่อเพิ่มความเร็วในการค้นหาวัตถุดิบที่มีคุณสมบัติเหมาะสมกับความต้องการ นักวิทยาศาสตร์ได้ใช้เครื่องมืออย่าง AI ในการยืนยันวัสดุที่มีแนวโน้มตรงกับความต้องการจากสูตรเคมีของสารที่มีมากกว่า 100 ล้านชนิด วิศวกรจึงได้สร้างเครื่องจักรที่สามารถพิมพ์วัสดุได้นับร้อยตัวอย่างในครั้งเดียว ซึ่งเป็นการสร้างตามพื้นฐานของส่วนประกอบทางเคมีที่ถูกระบุโดยการค้นหาของอัลกอริทึม AI ซึ่งนับจวบจนวันนี้ยังไม่มีวิธีอื่นที่มีความเร็วในการยืนยันว่าวัตถุดิบที่ถูกพิมพ์ออกมานั้นสามารถทำงานได้อย่างที่คาดหวังไว้ ทำให้ขั้นตอนในการตรวจสอบคุณสมบัติกลายเป็นปัญหาคอขวดหลักในการสกรีนหรือการคัดวัตถุดิบ
เดิมทีเมื่อวัตถุดิบถูกสังเคราะห์ คุณสมบัติเฉพาะเหล่านี้จะถูกจัดการโดยผู้เชี่ยวชาญเฉพาะทางที่ทำการตรวจสอบตัวอย่างโดยใช้เครื่องมือที่เรียกว่า UV-Vis ซึ่งจะสแกนด้วยสีที่แตกต่างกันเพื่อตรวจดูว่าเซมิคอนดักเตอร์ส่วนไหนมีการดูดซับสีได้มากกว่า กระบวนการที่ทำด้วยมือเหล่านี้มีความแม่นยำแต่ติดตรงที่ใช้เวลายาวนานมาก ผู้เชี่ยวชาญมักใช้เวลาตรวจสอบคุณสมบัติ 1 ชั่วโมงโดยได้ผลลัพธ์การตรวจสอบแค่ 20 ตัวอย่าง ซึ่งบางตัวอย่างที่พิมพ์ออกมานั้นมีวัตถุดิบที่ผสมกันออกมามากกว่า 10,000 ชนิดที่แตกต่างกันต่อชั่วโมง
อัปเกรดกระบวนการด้วยอัลกอริทึมและ Hyperspectral Image
เพื่อเร่งความเร็วกระบวนการระบุคุณสมบัติและแก้ไขปัญหาคอขวดสำคัญในการคัดกรองวัตถุดิบ ทีมวิจัยเลือกใช้เทคโนโลยี Computer Vision ซึ่งมีการใช้งานอัลกอริทึมในการประมวลผลได้อย่างรวดเร็ว และวิเคราะห์คุณสมบัติด้านภาพผ่านสิ่งที่ระบบมองเห็น ไม่ว่าจะเป็น Pixel และช่วงความยาวคลื่นที่ระบบจับต้องได้ แตกต่างจากมนุษย์ที่ไม่สามารถประมวลผลสิ่งเหล่านี้ได้ ซึ่ง Band Gap (การวัดอิเล็กตรอนที่ทำให้เกิดพลังงาน) และ Stability (การวัดความยืนยาวของช่วงชีวิตนั้น ๆ) เป็นข้อมูลที่ถูกสังเกตเห็นได้ด้วยการจับภาพของกล้อง
เพื่อยกระดับเทคนิคจากกล้องเดิมที่เป็น RGB สามารถรับรู้ภาพได้ 3 Channels จึงได้เพิ่มอัลกอริทึมใหม่เข้าไปซึ่งเรียกว่า Hyperspectral Image ที่มีมากถึง 300 Channels และนำข้อมูลเหล่านี้มาประมวลผลเรื่องของ Band Gap ทำให้ได้การประมวลผลที่รวดเร็ว
โดยอัลกอริทึมที่ 2 ทำหน้าที่วิเคราะห์ RGB ที่เป็นภาพมาตรฐานและประเมิน Stability ของวัตถุดิบจากการเปลี่ยนแปลงของภาพที่เกิดขึ้นจากสีของวัตถุดิบเมื่อเวลาผ่านไป
ในการทดสอบที่เกิดขึ้นนั้นทีมวิจัยได้พิมพ์ตัวอย่างเซมิคอนดักเตอร์ที่ประกอบไปด้วยวัตถุดิบ 70 ตัวอย่าง โดยมีอัตราของ Perovskites ที่แตกต่างกันไป ซึ่งเป็นวัตถุดิบซึ่งมีแนวโน้มที่ดีสำหรับแผงพลังงานแสงอาทิตย์ แม้ว่าจะรู้กันดีว่าจะมีคุณภาพที่เสื่อมถอยลงได้เร็ว ซึ่งคนทั่วไปมักจะพยายามทำให้ Perovskites เสถียรและมีประสิทธิภาพมากขึ้น เมื่อมีการใช้อัลกอริทึมสำหรับ Band Gap ตัวใหม่ทดสอบหาคุณสมบัติพบว่าใช้เวลาเพียง 6 นาทีเท่านั้น ซึ่งหากใช้วิธีแบบเดิมจะต้องใช้เวลาหลักวัน
ในขณะที่การทดสอบ Stability ทีมวิจัยได้นำสไลด์เดียวกันใส่ไว้ในห้องที่มีปัจจัยสภาพแวดล้อมอันหลากหลาย เช่น ความชื้น อุณหภูมิ และการที่วัตถุดิบสัมผัสกับแสงโดยตรง โดยใช้กล้อง RGB มาตรฐานในการถ่ายรูปตัวอย่างทุก ๆ 30 วินาทีตลอด 2 ชั่วโมง จากนั้นทดลองใช้อัลกอริทึมที่ 2 กับภาพของแต่ละตัวอย่างเพื่อสร้าง Stability Index หรือการวัดความทนทานของแต่ละตัวอย่างขึ้น เมื่อนำมาเปรียบเทียบกับการวัดด้วย Droplet ที่อยู่ในระดับเดียวกันที่ผู้เชี่ยวชาญดำเนินการพบว่า Band Gap และ Stability จากเทคนิคใหม่มีความแม่นยำสูงถึง 96.9% และรวดเร็วมากขึ้น 85 เท่า
ต้องยอมรับว่าเทคนิคใหม่นี้มีความแม่นยำในการระบุคุณสมบุติวัตถุดิบอิเล็กทรอนิกส์อย่างเซมิคอนดักเตอร์ได้ไวขึ้น 85 เท่า เมื่อเปรียบเทียบกับมาตรฐานวิธีเก่าที่ใช้งานกันอยู่ โดยนักวิจัยตั้งใจที่จะใช้เทคนิคนี้ในการเพิ่มความเร็วในการค้นหาวัสดุสำหรับแผงพลังงานแสงอาทิตย์ใหม่ ๆ ที่มีประสิทธิภาพมากยิ่งขึ้น นอกจากนี้ยังมีการวางแผนใช้เทคนิคนี้กับระบบคัดกรองวัตถุดิบอัตโนมัติ
ที่มา:
news.mit.edu
