งานวิจัย: การตรวจคุณสมบัติวัสดุเซมิคอนดักเตอร์ใหม่อย่างรวดเร็วด้วย Probe หุ่นยนต์
นักวิจัยจาก
MIT
ได้พัฒนาระบบหุ่นยนต์อัตโนมัติเต็มรูปแบบขึ้นมา
เพื่อช่วยในการค้นหาวัสดุด้านเซมิคอนดักเตอร์ใหม่ ๆ ได้อย่างรวดเร็วยิ่งขึ้น
ซึ่งเป็นส่วนสำคัญอย่างมากในการพัฒนาแผงพลังงานแสงอาทิตย์
นักวิจัยได้ใช้
Probe
หุ่นยนต์ในการตรวจวัดคุณสมบัติที่สำคัญทางไฟฟ้าที่เรียกว่า Photoconductance
ซึ่งเป็นการตอบสนองของไฟฟ้ากับวัสดุที่สัมผัสกับแสง
ด้วยการใช้องค์ความรู้ของผู้เชี่ยวชาญในศาสตร์ดังกล่าวถ่ายทอดให้กับโมเดล Machine
Learning (ML) ที่ทำหน้าที่แนะนำการตัดสินใจของหุ่นยนต์
ทำให้หุ่นยนต์สามารถระบุตำแหน่งที่ดีที่สุดในการสัมผัสกับวัสดุด้วย Probe เพื่อให้ได้ข้อมูลของ Photoconductance มากที่สุด
ด้วยความเชี่ยวชาญพิเศษในการวางแผนกระบวนการหาวิธีที่เร็วที่สุดในการเคลื่อนย้ายระหว่างจุดเชื่อมต่อ-สัมผัส
ในการทดสอบ
24 ชั่วโมงนั้นหุ่นยนต์ Probe อัตโนมัติสามารถวัดได้
125 ตำแหน่งที่เป็น Unique ต่อชั่วโมงด้วยความแม่นยำและความน่าเชื่อถือที่ทำได้มากกว่าวิธีอื่น
ๆ ที่ใช้ AI ด้วยการเพิ่มความเร็วอย่างมากในการแยกคุณสมบัติเฉพาะของวัตถุดิบสำหรับเซมิคอนดักเตอร์
ทำให้การพัฒนาแผงพลังงานแสงอาทิตยสามารถสร้างไฟฟ้าได้มากยิ่งขึ้น
Machine
Learning, การประมวลผลภาพ และแรงสนับสนุนจากผู้เชี่ยวชาญ
สู่ความเร็วในการค้นพบอันเหนือชั้น
ตั้งแต่ช่วงปี
2018 นักวิทยาศาสตร์ได้พยายามพัฒนาการค้นหาวัสดุใหม่ ๆ ด้วยวิธีอัตโนมัติ
ซึ่งไม่นานมานี้พวกเขาได้โฟกัสไปที่การค้นพบ Perovskites ซึ่งเป็นวัตถุดิใช้ใน Photovoltaic อย่างแผงพลังงานแสงอาทิตย์
ผลงานก่อนหน้าที่เกิดขึ้นจึงเป็นการพัฒนาเทคนิคที่สามารถสังเคราะห์และพิมพ์ส่วนผสมของวัตถุดิบ
Perovskite ได้อย่างรวดเร็ว
พวกเขายังมีการออกแบบวิธีใช้ภาพเป็นพื้นฐานสำหรับการยืนยันคุณสมบัติที่สำคัญของวัตถุดิบอีกด้วย
แต่ในกรณีของ
Photoconductance
นั้นมีความแม่นยำที่มากกว่า ด้วยการที่วาง Probe บนวัสดุที่สัมผัสกับแสงและวัดค่าการตอบสนองทางไฟฟ้า
ทำให้ตรวจสอบได้อย่างงแม่นยำและรวดเร็ว
โดยสามารถลดระยะเวลาที่เคยใช้ในการค้นหาได้มาก
การทำงานนี้เริ่มต้นที่ระบบหุ่นยนต์จะใช้กล้อง
On
Board เพื่อถ่ายรูปของสไลด์ที่มีวัสดุ Perovskite พิมพ์อยู่ขึ้นมา จากนั้นจะใช้ Computer Vision ในการตัดภาพเป็นส่วน
ๆ ซึ่งจะถูกป้อนเข้าไปในเครื่อข่ายโมเดลประสาท (Neural Network Model) ที่ถูกออกแบบมาเป็นพิเศษสำหรับการทำงานกับผู้เชี่ยวชาญเฉพาะด้าน เช่น
นักวทิยาศาสตร์ด้านเคมีและวัสดุ หุ่นยนต์จึงสามารถทำงานซ้ำๆ ได้อย่างแม่นยำ
แต่การที่มีมนุษย์เป็นส่วนหนึ่งของการทำงานยังคงสำคัญอย่างมาก
เพราะหุ่นยนต์เหล่านี้ยังต้องการความรู้จากผู้เชี่ยวชาญเพื่อค้นพบสิ่งใหม่ ๆ
โมเดลที่เกิดขึ้นจะใช้ความรู้หลัก
(Domain
Knowledge) ในการระบุตำแหน่งที่ดีที่สุดสำหรับ Probe เพื่อทำการสัมผัสกับฐานของตัวอย่างและส่วนผสมของวัตถุดิบ
ตำแหน่งสัมผัสนี้จะถูกป้อนเข้าไปใน Path Planner ที่ทำหน้าที่หาวิธีที่มีประสิทธิภาพที่สุดที่
Probe จะเข้าถึงตำแหน่งทั้งหมดได้
เมื่อสามารถหาเส้นทางที่สั้นที่สุดได้แล้ว
จะส่งสัญญาณไปยังมอเตอร์ของหุ่นยนต์ให้ทำหน้าที่จัดการ Probe ในการตรวจวัดแต่ละตำแหน่งสัมผัสตามลำดับด้วยความรวดเร็ว
การมี
ML
จะมีส่วนช่วยอย่างมาก เนื่องจากความสามารถในการปรับตัวตามสถานการณ์
เพราะตัวอย่างที่ถูกพิมพ์ออกมามีรูปทรงที่จำเพาะแตกต่างกันออกไป
ไม่ว่าจะเป็นหยดวงกลมไปจนถึงโครงสร้างที่เหมือนลูกอมทรงเม็ดถั่วก็ตาม
เพราะเมื่อความเร็วเป็นส่วนสำคัญที่สุดของแนวทางนี้ การใช้เครือข่ายระบบประสาทจำลองจึงสำคัญอย่างมากในการระบุจุดสัมผัสที่ดีที่สุดโดยตรงจากภาพตัวอย่าง
ซึ่งไม่จำเป็นต้องมีข้อมูลที่ Label เอาไว้ล่วงหน้า
ค้นพบ
Photoconductance
มากกว่า 3,000 ตำแหน่งใน 24 ชั่วโมง
ตัวระบบนั้นถูกพัฒนาขึ้นมาด้วยทีมงานเองทั้งหมด
ทำให้สามารถทดสอบแต่ละส่วนประกอบได้อย่างละเอียด
ผลลัพธ์ที่เกิดขึ้นแสดงให้เห็นว่าโมเดลระบบประสาทสามารถพบจุดสัมผัสที่ดีกว่าได้ด้วยการประมวลผลที่น้อยกว่า
AI
แบบอื่นถึง 7 เท่านอกจากนี้อัลกอริทึ่มมักจะพบ Path ที่สั้นกว่าโมเดลอื่น ๆ ด้วยเช่นกัน
ในตอนที่ทดสอบ
24 ชั่วโมงนั้น นักวิทยาศาสตร์ได้มีการรวมชิ้นส่วนต่าง ๆ
เข้าด้วยกันเพื่อทำงานแบบอัตโนมัติ หุ่นยนต์สามารถดำเนินการตรวจวัดได้มากกว่า 3,000 Photoconductance ที่เป็นแบบ Unique ด้วยความเร็วมากกว่า 125 ตำแหน่งต่อชชั่วโมง
นอกจากนี้ระดับของรายละเอียดในความแม่นยำทำให้สามารถระบุ Hotspot ที่มี Photoconductance สูงได้เช่นเดียวกับบริเวณที่วัสดุมีการเสื่อมถอยลงไปอีกด้วย
ที่มา
:
mmthailand
วันที่
22 ก.ค. 2568
