Die Entdeckung neuer Halbleitermaterialien – jener entscheidenden Bausteine, die Solarmodule und moderne elektronische Geräte antreiben – stößt seit langem auf einen hartnäckigen Engpass: den mühsamen, manuellen Prozess, der erforderlich ist, um das Verhalten jedes einzelnen Materials zu testen und zu verstehen. Bei jedem neuen Kandidaten mussten Wissenschaftler sorgfältige, zeitaufwändige Messungen durchführen, um festzustellen, wie das Material auf Licht reagiert – eine Eigenschaft, die als Photoleitfähigkeit bezeichnet wird. Es handelt sich um eine technische, mühsame Arbeit, die den Innovationsfortschritt bisher nur im Schneckentempo vorangetrieben hat.
Nun hat ein Team am MIT ein System entwickelt, das die Spielregeln völlig auf den Kopf stellt. Stellen Sie sich vor: Anstelle von Menschen, die mit Sonden über empfindliche Proben beugen, erledigt ein vollautonomer Roboter – ausgestattet mit dem Fachwissen von Materialwissenschaftlern und der Geschwindigkeit der industriellen Automatisierung – alles ganz von selbst und das schneller, als man es sich erhoffen könnte. Ihr Roboter beschleunigt den Prozess nicht nur, er vervielfacht ihn regelrecht. In Tests rund um die Uhr führte er an einem einzigen Tag mehr als 3.000 Photoleitfähigkeitsmessungen durch – womit er nicht nur jede manuelle Methode in den Schatten stellte, sondern auch detaillierte, wiederholbare Messwerte lieferte, die vielversprechende Materialien oder Anzeichen von Problemen wie Materialverschleiß schnell aufzeigen.
Was diesen Roboter auszeichnet, ist nicht nur der Arm, der die Proben berührt. Es ist der clevere Kopf: ein neuronales Netzwerk, das mit fundiertem Wissen von Materialexperten gefüttert ist und mit Algorithmen des maschinellen Lernens sowie Computer Vision verknüpft ist. Die Kamera des Roboters scannt jede Probe, unterteilt sie visuell in Segmente, und anschließend wählt das neuronale Netzwerk die besten Berührungspunkte aus, um die aus jedem Test gewonnenen Daten zu maximieren. Eine Planungssoftware sorgt dafür, dass die Bewegungsbahn des Roboters so schnell und effizient wie möglich ist – und fügt sogar berechnete Zufälligkeit hinzu, damit er sich besser an ungewöhnlich geformte Materialien wie Perowskit-“Kleckse” oder “Jellybeans” anpasst, die nicht in Standardformen passen.
Diese Kombination aus Fachwissen und KI liefert durchweg zuverlässige Messwerte: Der Roboter identifiziert “Hotspots” mit hoher Photoleitfähigkeit und erkennt frühe Anzeichen einer Verschlechterung, die die langfristige Leistungsfähigkeit des Bauteils beeinträchtigen könnten. Bemerkenswert ist, dass dieses System im Gegensatz zu den meisten anderen Robotersystemen keine umfangreichen Trainingsdatensätze benötigt. Es arbeitet im selbstüberwachten Modus, lernt aus seinen eigenen Ergebnissen und passt sich dabei im Laufe des Prozesses an unterschiedliche Materialformen an. Im Vergleich zu sieben führenden KI-basierten Prüfverfahren übertraf das System des MIT alle anderen – sowohl hinsichtlich der Geschwindigkeit als auch der Messgenauigkeit.
Die Forscher betonen jedoch, dass menschliches Fachwissen nach wie vor eine wichtige Rolle spielt. Während der Roboter die wiederholbaren, hochpräzisen Aufgaben übernimmt, sind die Erkenntnisse und die Intuition der Wissenschaftler in seiner Software verankert – so wird sichergestellt, dass die Entscheidungen des Roboters auf jahrelanger Erfahrung beruhen.
Mit Blick auf die Zukunft möchte das MIT-Team diesen Roboter-Tester mit automatisierten Verfahren zur Materialsynthese und Bildgebung verknüpfen und so dem Traum von vollständig autonomen Labors zur Materialforschung einen Schritt näher kommen. Solche Systeme könnten nicht nur die Forschung im Bereich der Solarzellen revolutionieren, sondern auch jede Branche, die nach dem nächsten Durchbruch bei elektronischen Materialien strebt – und damit weltweit Innovationen im Bereich nachhaltiger Technologien beschleunigen.
Dieses ehrgeizige Projekt wird von führenden Organisationen aus den Bereichen Energie und technologische Innovation unterstützt, darunter First Solar, MathWorks, die Universität Toronto und das US-Energieministerium. Lesen Sie den ausführlichen Bericht bei MIT News: https://news.mit.edu/2025/robotic-probe-quickly-measures-key-properties-new-materials-0704
Diese Website verwendet Cookies.