Los investigadores pueden procesar 100 imágenes que cubren muestras de 1 centímetro x 1 centímetro como esta en aproximadamente nueve minutos utilizando un nuevo sistema que simplifica enormemente la búsqueda a menudo tediosa de monocapas en el laboratorio. Crédito:foto de la Universidad de Rochester/J. Adam Fenster
Una de las tareas más tediosas y abrumadoras para los asistentes de pregrado en los laboratorios de investigación de la universidad consiste en mirar horas y horas a través de un microscopio en muestras de material, tratando de encontrar monocapas.
Estos materiales bidimensionales (menos de 1/100 000 del ancho de un cabello humano) son muy buscados para su uso en dispositivos electrónicos, fotónicos y optoelectrónicos debido a sus propiedades únicas.
"Los laboratorios de investigación contratan ejércitos de estudiantes universitarios para que no hagan nada más que buscar monocapas", dice Jaime Cárdenas, profesor asistente de óptica en la Universidad de Rochester. "Es muy tedioso y, si te cansas, es posible que te pierdas algunas de las monocapas o que comiences a hacer identificaciones erróneas".
Incluso después de todo ese trabajo, los laboratorios deben verificar dos veces los materiales con espectroscopía Raman o microscopía de fuerza atómica.
Jesús Sánchez Juárez, Ph.D. estudiante en el Laboratorio de Cárdenas, ha hecho la vida mucho más fácil para aquellos estudiantes universitarios, sus laboratorios de investigación y empresas que enfrentan dificultades similares para detectar monocapas.
La tecnología innovadora, un dispositivo de escaneo automatizado descrito en Optical Materials Express , puede detectar monocapas con un 99,9 % de precisión, superando a cualquier otro método hasta la fecha.
A una fracción del costo. En mucho menos tiempo. Con materiales fácilmente disponibles.
“Uno de los objetivos principales fue desarrollar un sistema con un presupuesto muy pequeño para que los estudiantes y los laboratorios puedan replicar estas metodologías sin tener que invertir miles y miles de dólares solo para comprar el equipo necesario”, dice Sánchez Juárez, autor principal de el papel.
Por ejemplo, el dispositivo que creó se puede replicar con un microscopio económico con una lente de objetivo 5X y una cámara OEM (fabricante de equipos originales) de bajo costo.
Una adaptación creativa de una red neuronal de IA
"Estamos muy emocionados", dice Cárdenas. "Jesús hizo varias cosas aquí que son nuevas y diferentes, aplicando inteligencia artificial de una manera novedosa para resolver un problema importante en el uso de materiales 2D".
Muchos laboratorios han tratado de eliminar la necesidad de costosas pruebas de caracterización de respaldo entrenando una red neuronal de inteligencia artificial (IA) para buscar las monocapas. La mayoría de los laboratorios que han probado este enfoque intentan construir una red desde cero, lo que lleva mucho tiempo, dice Cárdenas.
En cambio, Sánchez Juárez comenzó con una red neuronal disponible públicamente llamada AlexNet que ya está entrenada para reconocer objetos.
Luego desarrolló un proceso novedoso que invierte las imágenes de los materiales para que lo que sea brillante en la imagen original parezca negro, y viceversa. Las imágenes invertidas se ejecutan a través de pasos de procesamiento adicionales. En ese momento, las imágenes "no se ven nada bien para el ojo humano", dice Cárdenas, "pero para una computadora es más fácil separar las monocapas de los sustratos sobre los que se depositan".
En pocas palabras:en comparación con las largas y tediosas horas de escaneado de los estudiantes universitarios, el sistema de Sánchez Juárez puede procesar 100 imágenes que cubren muestras de 1 centímetro x 1 centímetro en nueve minutos con una precisión cercana al 100 %.
"Nuestra demostración allana el camino para la producción automatizada de materiales monocapa para su uso en entornos industriales y de investigación al reducir en gran medida el tiempo de procesamiento", escribe Sánchez Juárez en el artículo. Las aplicaciones incluyen materiales 2D adecuados para fotodetectores, dispositivos emisores de luz (LED) excitónicos, láseres, generación óptica de corrientes de espín-valle, emisión de fotones individuales y moduladores. Energy-efficient AI hardware technology via a brain-inspired stashing system