自动化化学为材料发现树立了新的步伐
能源部的橡树岭国家实验室和田纳西大学的研究人员正在自动寻找新材料以促进太阳能技术的发展。ACS Energy Letters中发布的一种新颖的工作流程结合了机器人技术和机器学习技术来研究金属卤化物钙钛矿或MHP，即具有突出特性的薄，轻便，灵活的材料，可利用光来制造太阳能电池，节能照明和传感器。
ORNL的谢尔盖·卡里宁(Sergei Kalinin)表示：“我们的方法加快了钙钛矿材料的探索速度，使其一次合成和表征许多材料成分并鉴定出感兴趣的区域的速度成倍增长。
这项研究是ORNL-UT科学联盟合作的一部分，旨在确定用于设备集成的最稳定的MHP材料。
UT的Mahshid Ahmadi说：“自动化的实验可以帮助我们开辟一条有效的道路，探索什么是潜在的潜在材料成分。”
尽管MHP因其高效和低制造成本而吸引人，但它们对环境的敏感性限制了其使用。实际示例在环境条件(例如光，湿度或热)下往往退化得太快，无法实际应用。
钙钛矿的巨大潜力是材料发现的固有障碍。科学家在开发更强大的模型方面面临巨大的设计空间。已经预测了超过一千个MHP，并且可以对每个MHP进行化学修饰以生成几乎无限的可能组成的文库。
艾哈迈迪说：“用一次一次合成和表征样品的常规方法很难克服这一挑战。” “我们的方法允许我们一次筛选多达96个样品，以加快材料的发现和优化。”
该团队选择了四个模型MHP系统(共生产380种组合物)来演示可溶液加工材料的新工作流程，这些组合物从湿混合物开始，但从干燥变成固体形式。
合成步骤采用了设计用于与标准96孔微孔板一起工作的可编程移液机器人。与手动分配许多不同的成分相比，该机器节省了时间。并且在需要完全相同的环境条件下执行复制繁琐的过程时，将错误最小化，该变量很难长时间控制。
接下来，研究人员将样品暴露于空气中，并使用标准的光学读板仪测量其光致发光特性。
Kalinin说：“这是一种简单的测量方法，但却是表征MHP稳定性的事实上的标准。” “关键在于传统方法会耗费大量人力，而我们却能够在大约五分钟内测量出96个样品的光致发光特性。”
在数小时内重复该过程，捕获了复杂的相图，其中光的波长随组成的不同而变化，并随时间而变化。
该团队开发了一种机器学习算法，可以分析数据并在高稳定性区域中进行归位。
“通过机器学习，我们可以通过预测测量点之间的属性来从稀疏数据中获取更多信息，”领导该算法开发的ORNL的Maxim Ziatdinov说。“结果通过向我们展示下一步的定位来指导材料表征。”
虽然研究的重点是发现材料以识别最稳定的成分，但该工作流程还可用于优化特定光电应用的材料性能。
与传统的合成方法相比，该自动化过程可应用于任何可溶液处理的材料，以节省时间和成本。
该期刊文章发表为“化学机器人技术通过机器学习对多组分卤化钙钛矿中的稳定性进行探索”。
标签： 自动化化学