背景

半導體材料廣泛應用于電子學、光電子學、太陽能電池和傳感器等各個領域。然而，發現和優化新半導體材料是一項具有挑戰性的任務，因為這需要探索一個大而復雜的材料搜索空間，并表征影響設備性能和穩定性的材料特性。

高通量合成方法已經被開發出來，以加速多樣化材料樣品的生產，但它們在表征過程中面臨瓶頸，這通常是緩慢的、手動的和剛性的。因此，需要自動化和可擴展的表征工具，以跟上高通量合成的步伐，并提供有關材料特性的快速和準確的反饋。

關于這項研究

在這篇論文中，作者旨在通過開發使用可擴展計算機視覺技術從圖像數據中提取關鍵信息的自動表征工具，來解決高通量合成的半導體材料的表征挑戰。他們專注于鈣鈦礦半導體系統FA1-xMAxPbI3，0?≤?x ≤?1，該系統在太陽能電池應用中表現出有希望的潛力，但也顯示出復雜的成分依賴特性，如帶隙和降解。

該研究使用高通量噴墨打印平臺在一小時內將200個獨特的鈣鈦礦樣品沉積在玻璃基板上，創建了甲脒（FA）和甲基銨（MA）陽離子的組成梯度。這些樣品具有可變的形態，與現有的表征工具不兼容。

因此，使用高光譜成像儀和標準紅綠藍（RGB）相機分別捕捉樣品的反射光譜和顏色變化。然后由開發的自動表征工具處理圖像數據，這些工具包括計算機視覺分割工具、成分映射工具、帶隙自動表征工具和降解自動表征工具。

首先，計算機視覺分割工具從高光譜數據立方中識別和索引每個樣品及其對應的反射光譜，從而能夠對許多樣品進行并行測量。其次，成分映射工具通過整合噴墨打印機的泵速隨時間的變化，并將其空間映射到分割的樣品上，確定每個樣品中FA和MA陽離子的比例。

第三，帶隙自動表征工具通過將反射光譜轉換為Tauc曲線，并使用遞歸分割和迭代擬合算法在Tauc峰值之間找到最佳擬合線性回歸線來計算每個樣品的直接帶隙。最后，降解自動表征工具通過在校準的RGB色彩空間中整合隨時間變化的顏色變化，并使用降解強度度量來量化每個樣品的降解程度。

研究發現

通過與傳統方法和領域專家評估結果進行比較，驗證了自動表征工具的性能。結果表明，自動表征工具在測量鈣鈦礦樣品的成分、帶隙和降解方面實現了高準確性和速度。此外，成分映射工具通過X射線衍射和X射線光電子能譜驗證了預期的晶體結構和樣品元素成分的變化。

具體來說，帶隙自動表征工具在與專家計算的帶隙進行比較時，表現出強線性擬合，R2為0.975，在0.02 eV范圍內達到98.5%的準確率。降解自動表征工具在與降解的基準真值（通過帶隙前后的偏差確定）比較時，表現出0.853的精確召回曲線下面積和96.9%的最高準確率。

此外，自動表征工具顯著加快了表征過程，計算200個樣品的帶隙僅需6分鐘，檢測降解僅需20分鐘，而傳統方法分別需要510分鐘和數小時或數天。

應用

該工具在半導體材料發現和優化方面具有重要意義。它能夠快速準確地反饋材料特性，從而更快地篩選和選擇最佳組成和條件。

此外，它有助于探索更大、更復雜的材料搜索空間，促進新型高性能材料的發現。通過修改計算機視覺算法和數據分析方法，該工具還可以適用于其他材料系統和特性，如有機光伏、納米材料和多孔介質。

結論

總之，這種新工具在從高光譜和RGB圖像數據中提取成分、帶隙和降解信息方面表現出高效性，其處理速度比傳統方法快85倍。未來的工作應集中于將這些自動表征工具擴展到具有多個帶隙的多相材料，以及其他材料系統和特性。此外，將這些工具與機器學習和人工智能技術相結合，可以進一步實現數據驅動的智能材料設計。