Ornl和Tennessee大学的研究人员开发了一种自动化的工作流程，将化学机器人和机器学习结合起来，以加快搜索稳定的佩洛夫斯基斯。
能源橡树岭国家实验室和田纳西大学的研究人员正在自动化寻找新材料以推进太阳能技术。
在ACS能量字母中发布的新型工作流程将机器人和机器学习结合起来研究金属卤化物蠕动，或MHPS - 薄，轻巧，柔性材料，具有优异的利用光线，可用于制造太阳能电池，节能照明和传感器。
“我们的方法速度探索钙钛矿材料，使其呈指数级速度，以综合和表征许多材料组合物，并识别感兴趣的领域，”ornl的塞琳林素说。
该研究，一部分Ornl-UT科学联盟协作，旨在识别用于设备集成的最稳定的MHP材料。
“自动化实验可以帮助我们探索探索潜在材料组合物的巨大池的有效路径，”UT的Mahshid Ahmadi说。
虽然MHP对其高效率和低制造成本具有吸引力，但它们对环境的敏感性限制了操作使用。现实世界示例在环境条件下倾向于太快降低，例如光，湿度或热量，实用。
Perovskites的巨大潜力提出了材料发现的固有障碍。科学家们在努力开发更强大的型号时面临着广阔的设计空间。已经预测了超过一千个MHP，并且这些中的每一个都可以化学修改以产生可能的组合物的近无限值文库。
“难以使用常规方法克服这种挑战，以一次合成和表征样品，”Ahmadi说。“我们的方法允许我们一次筛选高达96个样本，以加速材料发现和优化。”
该团队选择了四种MHP系统 - 屈服于380个组合物 - 以求解溶液可加工材料的新工作流程，以湿混合物开始，但干燥至固体形式。
合成步骤采用可编程移液机器人，该机器人设计用于与标准的96孔微孔板一起使用。机器可节省时间，手动分配许多不同的组成;并且它最大限度地减少了复制需要在完全相同的环境条件下执行的繁琐过程的错误，该变量难以在延长时段难以控制。
接下来，研究人员将样品暴露在空气中，并使用标准光学板读取器测量它们的光致发光性能。
“这是一个简单的测量，但是对于在MHPS中表征稳定性的事实标准，”Kalinin说。“关键是传统方法将是劳动密集型，而我们能够在大约五分钟内测量96个样品的光致发光性能。”
在几个小时内重复该过程捕获复杂的相图，其中光的波长在组合物中变化并随时间演变。
该团队开发了一种机器学习算法，分析具有高稳定性区域的数据和家庭。
“机器学习使我们能够通过预测测量点之间的属性来获取更多信息，”奥诺的Maxim Ziatdinov，算法的开发，奥诺尔的Maxim Ziatdinov。“结果指导材料表征通过向我们展示下一步。”
虽然研究侧重于材料发现以识别最稳定的组合物，但工作流程也可用于优化特定光电应用的材料特性。
自动化过程可以应用于任何解决方案的可加工材料，以时间和成本节省在传统的合成方法上。
参考：“化学机器人能够通过机器学习探索多组分铅卤化卤化物佩罗夫斯基斯稳定性”，通过凯特希金，西马尼Valleti，Maxim Ziatdinov，Sergei V.Kalinin和Mahshid Ahmadi，10月15日，10月15日，ACS Energy Letters.doi：
10.1021 / ACSENERGYLETT.0C01749
该研究得到了科学联盟，田纳西州卓越中心和纳比材料科学中心，科学用户设施的Doe办事处。
