在最近发表在《自然通讯》杂志上的一篇文章中，研究人员介绍了一套自动表征（自动表征）工具，利用自适应计算机视觉技术快速准确地测量半导体材料的关键特性。他们在一个高通量合成平台上演示了这些工具的应用，该平台在一小时内生产出独特的钙钛矿半导体。

背景

半导体材料广泛应用于电子学、光电子学、太阳能电池和传感器等各个领域。然而，发现和优化新半导体材料是一项具有挑战性的任务，因为这需要探索一个大而复杂的材料搜索空间，并表征影响设备性能和稳定性的材料特性。

高通量合成方法已经被开发出来，以加速多样化材料样品的生产，但它们在表征过程中面临瓶颈，这通常是缓慢的、手动的和刚性的。因此，需要自动化和可扩展的表征工具，以跟上高通量合成的步伐，并提供有关材料特性的快速和准确的反馈。

关于这项研究

在这篇论文中，作者旨在通过开发使用可扩展计算机视觉技术从图像数据中提取关键信息的自动表征工具，来解决高通量合成的半导体材料的表征挑战。他们专注于钙钛矿半导体系统FA1-xMAxPbI3，0 ≤ x ≤ 1，该系统在太阳能电池应用中表现出有希望的潜力，但也显示出复杂的成分依赖特性，如带隙和降解。

该研究使用高通量喷墨打印平台在一小时内将200个独特的钙钛矿样品沉积在玻璃基板上，创建了甲脒（FA）和甲基铵（MA）阳离子的组成梯度。这些样品具有可变的形态，与现有的表征工具不兼容。

因此，使用高光谱成像仪和标准红绿蓝（RGB）相机分别捕捉样品的反射光谱和颜色变化。然后由开发的自动表征工具处理图像数据，这些工具包括计算机视觉分割工具、成分映射工具、带隙自动表征工具和降解自动表征工具。

首先，计算机视觉分割工具从高光谱数据立方中识别和索引每个样品及其对应的反射光谱，从而能够对许多样品进行并行测量。其次，成分映射工具通过整合喷墨打印机的泵速随时间的变化，并将其空间映射到分割的样品上，确定每个样品中FA和MA阳离子的比例。

第三，带隙自动表征工具通过将反射光谱转换为Tauc曲线，并使用递归分割和迭代拟合算法在Tauc峰值之间找到最佳拟合线性回归线来计算每个样品的直接带隙。最后，降解自动表征工具通过在校准的RGB色彩空间中整合随时间变化的颜色变化，并使用降解强度度量来量化每个样品的降解程度。

研究发现

通过与传统方法和领域专家评估结果进行比较，验证了自动表征工具的性能。结果表明，自动表征工具在测量钙钛矿样品的成分、带隙和降解方面实现了高准确性和速度。此外，成分映射工具通过X射线衍射和X射线光电子能谱验证了预期的晶体结构和样品元素成分的变化。

具体来说，带隙自动表征工具在与专家计算的带隙进行比较时，表现出强线性拟合，R²为0.975，在0.02 eV范围内达到98.5%的准确率。降解自动表征工具在与降解的基准真值（通过带隙前后的偏差确定）比较时，表现出0.853的精确召回曲线下面积和96.9%的最高准确率。

此外，自动表征工具显著加快了表征过程，计算200个样品的带隙仅需6分钟，检测降解仅需20分钟，而传统方法分别需要510分钟和数小时或数天。

应用

该工具在半导体材料发现和优化方面具有重要意义。它能够快速准确地反馈材料特性，从而更快地筛选和选择最佳组成和条件。

此外，它有助于探索更大、更复杂的材料搜索空间，促进新型高性能材料的发现。通过修改计算机视觉算法和数据分析方法，该工具还可以适用于其他材料系统和特性，如有机光伏、纳米材料和多孔介质。

结论

总之，这种新工具在从高光谱和RGB图像数据中提取成分、带隙和降解信息方面表现出高效性，其处理速度比传统方法快85倍。未来的工作应集中于将这些自动表征工具扩展到具有多个带隙的多相材料，以及其他材料系统和特性。此外，将这些工具与机器学习和人工智能技术相结合，可以进一步实现数据驱动的智能材料设计。