Using Scalable Computer Vision to Automate High-throughput Semiconductor Characterization

要約

ハイスループットの材料合成法は、溶液処理半導体などの新しい機能性材料の設計と発見を加速する可能性があるため、人気が高まっています。
合成後、発見を検証し、最適化サイクルにフィードバックを提供するために、主要な材料特性を測定および特性評価する必要があります。
しかし、柔軟なフォームファクターで 1 時間あたり最大 $10^4$ サンプルの生産速度を実現するハイスループット合成ツールの開発がブームになっているため、ほとんどのサンプル特性評価方法は低速 (従来の 1 時間あたり $10^1$ サンプルの速度、
約 1000 倍遅い）または剛性がある（標準サイズのマイクロプレート用に設計されているなど）ため、材料設計プロセスを妨げるボトルネックが生じます。
この課題を克服するために、コンピュータ ビジョンの適応性、並列化可能、スケーラブルな性質を利用して、非自動ワークフローと比較して特性評価のスループットを 85 倍高速化する一連の自動化された材料特性評価 (自動特性評価) ツールを提案します。
我々は、ハイスループット合成バイナリ材料システム用の一般化可能な組成マッピング ツールと、(1) 6 分間で 200 個の固有の組成のバンドギャップを自律的に計算する、(2) 200 分間で劣化の程度を自律的に計算する 2 つのスケーラブルな自動特性評価アルゴリズムを実証します。
ユニークな組成を 20 分で生成し、バンドギャップと安定性の超高組成分解能トレンドを生成します。
開発したバンドギャップと劣化検出の自動特性評価手法が、FA$_{1-x}$MA$_{x}$PbI$_3$, $0\leq x 上でそれぞれ 98.5% の精度と 96.9% の精度を達成することを実証します。
\leq 1$ ペロブスカイト半導体システム。

要約(オリジナル)

High-throughput materials synthesis methods have risen in popularity due to their potential to accelerate the design and discovery of novel functional materials, such as solution-processed semiconductors. After synthesis, key material properties must be measured and characterized to validate discovery and provide feedback to optimization cycles. However, with the boom in development of high-throughput synthesis tools that champion production rates up to $10^4$ samples per hour with flexible form factors, most sample characterization methods are either slow (conventional rates of $10^1$ samples per hour, approximately 1000x slower) or rigid (e.g., designed for standard-size microplates), resulting in a bottleneck that impedes the materials-design process. To overcome this challenge, we propose a set of automated material property characterization (autocharacterization) tools that leverage the adaptive, parallelizable, and scalable nature of computer vision to accelerate the throughput of characterization by 85x compared to the non-automated workflow. We demonstrate a generalizable composition mapping tool for high-throughput synthesized binary material systems as well as two scalable autocharacterization algorithms that (1) autonomously compute the band gap of 200 unique compositions in 6 minutes and (2) autonomously compute the degree of degradation in 200 unique compositions in 20 minutes, generating ultra-high compositional resolution trends of band gap and stability. We demonstrate that the developed band gap and degradation detection autocharacterization methods achieve 98.5% accuracy and 96.9% accuracy, respectively, on the FA$_{1-x}$MA$_{x}$PbI$_3$, $0\leq x \leq 1$ perovskite semiconductor system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google