A Self-Supervised Robotic System for Autonomous Contact-Based Spatial Mapping of Semiconductor Properties

要約

ロボット駆動の接触ベースの材料特性評価技術を自動運転ラボに統合することで、測定の品質、信頼性、スループットを向上させることができます。
深層学習モデルは堅牢な自律性をサポートしていますが、現在の方法では信頼性の高いピクセル精度の位置決めが不足しており、大量のラベル付きデータが必要です。
これらの課題を克服するために、私たちは、自己監視型自律性を接触ベースのロボット システムに構築し、高スループットでドメインエキスパートの測定原理に従うようにロボットに学習させるアプローチを提案します。
まず、微分可能な画像事前分布を使用してドメイン固有の目標を最適化し、予測されるロボット接触ポーズのピクセル精度を既存のアプローチと比較して 20.0% 向上させる、ビジョンベースの自己教師あり畳み込みニューラル ネットワーク (CNN) アーキテクチャを設計します。
次に、距離を最小化するパスを生成するための信頼できるグラフベースのプランナーを設計して、ロボットの測定スループットを加速し、計画の差異を 6 分の 1 に削減します。
私たちは、ドロップキャストされたペロブスカイト膜組成の勾配全体にわたって独自に予測された 3,025 の姿勢で半導体の光伝導性を特徴付けるために 4 自由度のロボット プローブを 24 時間自律的に駆動することで、このアプローチのパフォーマンスを実証し、1 時間あたり 125 回の測定を超えるスループットを達成しました。
。
ドロップキャストされた各フィルム上の光導電性を空間的にマッピングすると、組成の傾向や不均一な領域が明らかになり、製造プロセスの欠陥を特定するのに役立ちます。
この自己監視型 CNN 駆動ロボット システムにより、高スループットでの接触ベースの特性評価技術の高精度かつ信頼性の高い自動化が可能になり、これまではアクセスできなかったものの、自動運転研究所にとって重要な半導体特性の測定が可能になります。

要約(オリジナル)

Integrating robotically driven contact-based material characterization techniques into self-driving laboratories can enhance measurement quality, reliability, and throughput. While deep learning models support robust autonomy, current methods lack reliable pixel-precision positioning and require extensive labeled data. To overcome these challenges, we propose an approach for building self-supervised autonomy into contact-based robotic systems that teach the robot to follow domain expert measurement principles at high-throughputs. Firstly, we design a vision-based, self-supervised convolutional neural network (CNN) architecture that uses differentiable image priors to optimize domain-specific objectives, refining the pixel precision of predicted robot contact poses by 20.0% relative to existing approaches. Secondly, we design a reliable graph-based planner for generating distance-minimizing paths to accelerate the robot measurement throughput and decrease planning variance by 6x. We demonstrate the performance of this approach by autonomously driving a 4-degree-of-freedom robotic probe for 24 hours to characterize semiconductor photoconductivity at 3,025 uniquely predicted poses across a gradient of drop-casted perovskite film compositions, achieving throughputs over 125 measurements per hour. Spatially mapping photoconductivity onto each drop-casted film reveals compositional trends and regions of inhomogeneity, valuable for identifying manufacturing process defects. With this self-supervised CNN-driven robotic system, we enable high-precision and reliable automation of contact-based characterization techniques at high throughputs, thereby allowing the measurement of previously inaccessible yet important semiconductor properties for self-driving laboratories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google