Deep learning robotics using self-supervised spatial differentiation drive autonomous contact-based semiconductor characterization

要約

自律的な接触ベースのロボット特性評価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、空間微分可能な損失関数を備えた自己教師あり畳み込みニューラル ネットワークを提案します。形状事前分布を組み込んで、半導体特性評価のための最適なロボット接触姿勢の予測を洗練させます。
このネットワークにより、有効なポーズの生成が既存のモデルと比較して 20.0% 向上します。
4 自由度のロボットを駆動して、ペロブスカイト組成の勾配にわたる 3,025 の予測姿勢で光伝導性を特徴付けることでネットワーク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に光導電性を空間的にマッピングすると、不均一な領域が明らかになります。
この自己監視型ディープラーニング駆動のロボット システムにより、接触ベースの特性評価技術を高スループットで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 autonomous contact-based robotic characterization into self-driving laboratories can enhance measurement quality, reliability, and throughput. While deep learning models support robust autonomy, current methods lack pixel-precision positioning and require extensive labeled data. To overcome these challenges, we propose a self-supervised convolutional neural network with a spatially differentiable loss function, incorporating shape priors to refine predictions of optimal robot contact poses for semiconductor characterization. This network improves valid pose generation by 20.0%, relative to existing models. We demonstrate our network’s performance by driving a 4-degree-of-freedom robot to characterize photoconductivity at 3,025 predicted poses across a gradient of perovskite compositions, achieving throughputs over 125 measurements per hour. Spatially mapping photoconductivity onto each drop-casted film reveals regions of inhomogeneity. With this self-supervised deep learning-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