据11日《自然·通讯》杂志报道，美国麻省理工学院工程师开发的一种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图像，并快速估计每个样品的两个关键电子属性：带隙（衡量电子激活能的指标）和稳定性（衡量寿命的指标）。这项新技术对电子材料的准确表征比传统方法提升了85倍。

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。科学家正在使用人工智能（AI）工具从数亿种化学配方中识别有前途的材料。与此同时，工程师正在建造可以根据AI搜索算法标记的化学成分，并一次打印数百个材料样本的机器。但是，材料表征的最后一步一直是先进材料筛选过程中的主要瓶颈。

一种新的电子材料被合成后，其性能的表征通常由领域专家们负责，他们每小时表征约20个材料样本，这种手动过程很精确，但也很耗时。

于是，团队开发了两种新的计算机视觉算法来自动解释电子材料图像：一种用于估计带隙，另一种用于确定稳定性。第一种算法旨在处理来自高细节、高光谱图像的视觉数据。第二种算法分析标准RGB图像，并根据材质颜色随时间的变化来评估材质的稳定性。

该团队应用这两种新算法对大约70个印刷半导体样品的带隙和稳定性进行了表征。这些样品含有不同成分比例的钙钛矿。运用一种算法， 整个带隙提取过程约需6分钟。另一种算法还产生了一个可以衡量每个样本耐久性的指数。

新算法带隙和稳定性的测量准确率分别为98.5%和96.9%，与专家的手动测量相比速度快85倍。

研究人员计划将这项技术整合到全自动材料筛选系统中，其应用将涵盖半导体材料的多个领域。