详细内容或原文请订阅后点击阅览
新的计算机视觉方法有助于加快电子材料的筛选
麻省理工学院研究生 Eunice Aissi（左）和 Alexander Siemenn 开发了一种技术，可以自动分析印刷样品（如图）中的视觉特征，以快速确定新型有前途的半导体材料的关键特性。图片来源：Bryce Vickmark。作者：Jennifer Chu 提高太阳能电池、晶体管、LED 和电池的性能需要更好的电子材料，这些材料是由 […]
来源:ΑΙhub麻省理工学院研究生 Eunice Aissi（左）和 Alexander Siemenn 开发了一种技术，可以自动分析印刷样品（如图）中的视觉特征，以快速确定新型有前途的半导体材料的关键特性。图片来源：Bryce Vickmark。
麻省理工学院研究生 Eunice Aissi（左）和 Alexander Siemenn 开发了一种技术，可以自动分析印刷样品（如图）中的视觉特征，以快速确定新型有前途的半导体材料的关键特性。图片来源：Bryce Vickmark。作者：Jennifer Chu
作者：Jennifer Chu提高太阳能电池、晶体管、LED 和电池的性能需要更好的电子材料，这些材料由尚未发现的新型成分制成。
为了加快对先进功能材料的搜索，科学家们正在使用 AI 工具从数亿种化学配方中识别有前途的材料。与此同时，工程师们正在制造能够根据人工智能搜索算法标记的化学成分一次打印数百个材料样品的机器。
但到目前为止，还没有同样快速的方法来确认这些印刷材料的性能是否符合预期。材料表征的最后一步一直是先进材料筛选流程中的主要瓶颈。
现在，麻省理工学院工程师开发的一种新型计算机视觉技术大大加快了新合成电子材料的表征速度。该技术自动分析印刷半导体样品的图像，并快速估计每个样品的两个关键电子特性：带隙（电子活化能的量度）和稳定性（寿命的量度）。
与标准基准方法相比，新技术可以精确表征电子材料，速度提高了 85 倍。
《自然通讯》上的研究光学中的力量
第一种算法旨在处理来自高度详细的高光谱图像的视觉数据。