Το AutoBot, ένα ρομποτικό εργαστήριο που συνδυάζει τεχνητή νοημοσύνη και αυτοματοποιημένα πειράματα, κατάφερε να περιορίσει δραστικά τον χρόνο που απαιτείται για την αναζήτηση κατάλληλων συνθηκών παραγωγής προηγμένων υλικών. Σύμφωνα με παρουσίαση του Αμερικανικού Υπουργείου Ενέργειας στις 10 Νοεμβρίου 2026, η πλατφόρμα εξέτασε έναν χώρο περισσότερων από 5.000 πιθανών συνδυασμών παραμέτρων κατασκευής περοβσκιτών, πραγματοποιώντας πραγματικά πειράματα για λιγότερο από το 1% αυτών. Πρόκειται για μια εξέλιξη με ιδιαίτερο ενδιαφέρον για την παραγωγή φωτοβολταϊκών, αισθητήρων και άλλων ηλεκτρονικών συσκευών.
Η τεχνολογία αναπτύχθηκε από ερευνητές του Lawrence Berkeley National Laboratory στις Ηνωμένες Πολιτείες και βασίζεται σε έναν επαναλαμβανόμενο κύκλο πειραμάτων, μετρήσεων και μηχανικής μάθησης. Αντί να δοκιμάζει χιλιάδες διαφορετικές συνθήκες μία προς μία, το AutoBot επιλέγει εκείνες που μπορούν να προσφέρουν τις περισσότερες χρήσιμες πληροφορίες και χρησιμοποιεί τα αποτελέσματα για να προβλέψει την ποιότητα του παραγόμενου υλικού. Η επιστημονική εργασία είχε δημοσιευθεί τον Ιούλιο του 2025 στο περιοδικό Advanced Energy Materials, ενώ η ανακοίνωση της 10ης Νοεμβρίου 2026 αποτελεί νεότερη παρουσίασή της από το Υπουργείο Ενέργειας.
Τι σημαίνουν οι 5.000 πιθανοί συνδυασμοί
Το εντυπωσιακότερο στοιχείο της έρευνας είναι ο αριθμός των 5.000 πιθανών συνδυασμών. Ωστόσο, χρειάζεται μια σημαντική διευκρίνιση: οι επιστήμονες δεν εξέτασαν 5.000 διαφορετικά χημικά υλικά, αλλά περισσότερους από 5.000 συνδυασμούς συνθηκών παραγωγής του ίδιου τύπου περοβσκιτικού υλικού.
Συγκεκριμένα, το AutoBot μελέτησε τέσσερις μεταβλητές: τη θερμοκρασία θέρμανσης, τη διάρκειά της, τη χρονική στιγμή προσθήκης ουσίας που βοηθά την κρυστάλλωση και τη σχετική υγρασία κατά την παραγωγή λεπτών επιστρώσεων.
Αν κάθε παράμετρος μπορεί να πάρει διαφορετικές τιμές, προκύπτουν χιλιάδες πιθανοί συνδυασμοί. Κάθε συνδυασμός αποτελεί μια διαφορετική «συνταγή» κατασκευής, ακόμη και όταν η χημική σύσταση παραμένει ίδια.
Με παραδοσιακές μεθόδους, οι ερευνητές θα έπρεπε να πραγματοποιήσουν μεγάλο αριθμό δοκιμών για να εντοπίσουν ποιες συνθήκες οδηγούν στην υψηλότερη ποιότητα.
Το AutoBot χρειάστηκε να δοκιμάσει πειραματικά λιγότερο από το 1% των περισσότερων από 5.000 συνδυασμών, δηλαδή λιγότερες από περίπου 50 περιπτώσεις, για να αναπτύξει αξιόπιστες προβλέψεις για τον ευρύτερο χώρο των παραμέτρων.
Τι είναι οι περοβσκίτες και πού χρησιμοποιούνται
Οι περοβσκίτες είναι μια μεγάλη οικογένεια υλικών που χαρακτηρίζονται από συγκεκριμένο τύπο κρυσταλλικής δομής. Δεν αποτελούν μία και μοναδική χημική ουσία, αλλά περιλαμβάνουν διαφορετικές ενώσεις με κοινά δομικά χαρακτηριστικά.
Στην έρευνα του AutoBot χρησιμοποιήθηκαν μεταλλικοί αλογονιδικοί περοβσκίτες, μια κατηγορία ημιαγωγών που μπορούν να απορροφούν ή να εκπέμπουν φως με ιδιαίτερα αποτελεσματικό τρόπο.
Η σημαντικότερη πιθανή εφαρμογή τους βρίσκεται στα φωτοβολταϊκά νέας γενιάς. Οι περοβσκίτες μπορούν να σχηματίζουν πολύ λεπτές επιστρώσεις που μετατρέπουν το ηλιακό φως σε ηλεκτρική ενέργεια.
Επιπλέον, μπορούν να συνδυαστούν με συμβατικά φωτοβολταϊκά πυριτίου, δημιουργώντας τις λεγόμενες tandem κυψέλες. Σε αυτές, τα δύο υλικά αξιοποιούν διαφορετικά τμήματα του ηλιακού φάσματος, επιτρέποντας υψηλότερη συνολική απόδοση.
Η έρευνα στους περοβσκίτες αφορά επίσης οθόνες και φωτισμό LED, lasers, φωτοανιχνευτές για κάμερες και αισθητήρες φωτός, καθώς και άλλες οπτοηλεκτρονικές συσκευές.
Το ενδιαφέρον των κατασκευαστών οφείλεται και στο γεγονός ότι ορισμένοι περοβσκίτες μπορούν να παραχθούν με σχετικά απλές τεχνικές επίστρωσης από διαλύματα, δημιουργώντας προοπτικές για χαμηλότερο κόστος κατασκευής.
Η υγρασία αποδείχθηκε καθοριστική
Ένα από τα σημαντικότερα ευρήματα του AutoBot αφορά την επίδραση της υγρασίας στην ποιότητα των παραγόμενων υλικών.
Οι μεταλλικοί αλογονιδικοί περοβσκίτες είναι ιδιαίτερα ευαίσθητοι στις περιβαλλοντικές συνθήκες. Ακόμη και μικρές διαφορές κατά την κατασκευή μπορεί να επηρεάσουν την κρυσταλλική δομή και τις οπτικές τους ιδιότητες.
Το AutoBot διαπίστωσε ότι, με κατάλληλη ρύθμιση των υπόλοιπων παραμέτρων, μπορούν να δημιουργηθούν ποιοτικές επιστρώσεις σε συνθήκες σχετικής υγρασίας μεταξύ 5% και 25%.
Αντίθετα, στο συγκεκριμένο πειραματικό σύστημα, επίπεδα υγρασίας άνω του 25% συνδέθηκαν με υποβάθμιση της ποιότητας.
Πρόσθετες μετρήσεις φωτοφωταύγειας έδειξαν ότι η παρουσία ελεγχόμενης ποσότητας υγρασίας μπορεί να διευκολύνει τα αρχικά στάδια σχηματισμού της επιθυμητής κρυσταλλικής φάσης.
Το εύρημα έχει πρακτική σημασία για τη βιομηχανία, καθώς η παραγωγή σε απολύτως ελεγχόμενες ατμοσφαιρικές συνθήκες απαιτεί εξοπλισμό και αυξάνει το κόστος.
Οι τιμές αυτές, πάντως, αφορούν το συγκεκριμένο υλικό και τη συγκεκριμένη διαδικασία παραγωγής. Δεν αποτελούν καθολικό κανόνα για όλους τους περοβσκίτες.
Πώς η τεχνητή νοημοσύνη καθοδηγεί τα ρομπότ
Το AutoBot λειτουργεί ως ένα αυτοματοποιημένο εργαστήριο κλειστού κύκλου, στο οποίο κάθε πείραμα βοηθά στον σχεδιασμό του επόμενου.
Αρχικά, ρομποτικοί μηχανισμοί παρασκευάζουν λεπτές επιστρώσεις περοβσκιτών, εφαρμόζοντας συγκεκριμένες συνθήκες θέρμανσης, υγρασίας και χημικής επεξεργασίας.
Στη συνέχεια, το σύστημα μετρά τις οπτικές ιδιότητες των δειγμάτων μέσω φασματοσκοπίας και φωτοφωταύγειας. Οι μετρήσεις και οι εικόνες συνδυάζονται σε έναν δείκτη ποιότητας.
Αλγόριθμοι μηχανικής μάθησης αναλύουν τα αποτελέσματα και επιλέγουν τα επόμενα πειράματα με τη μεγαλύτερη αναμενόμενη πληροφοριακή αξία. Η μεθοδολογία βασίζεται μεταξύ άλλων στη Bayesian Optimization, μια τεχνική που αξιοποιεί προηγούμενα αποτελέσματα και την αβεβαιότητα των προβλέψεων για να αποφασίσει τι αξίζει να δοκιμαστεί στη συνέχεια.
Με αυτόν τον τρόπο, το AutoBot δεν εκτελεί απλώς προκαθορισμένες εργασίες. Προσαρμόζει το πειραματικό πρόγραμμα με βάση τα δεδομένα που συγκεντρώνει.
Οι ερευνητές του Berkeley Lab αναφέρουν ότι η διαδικασία ολοκληρώθηκε σε λίγες εβδομάδες, ενώ η αντίστοιχη διερεύνηση με συμβατική, χειροκίνητη προσέγγιση θα μπορούσε να απαιτήσει έως έναν χρόνο.
Η SpaceX παρουσίασε το Starlink Mini 2 που προσφέρει Internet ακόμη και χωρίς ρεύμα
Πώς μπορεί να βοηθήσει στην ανάπτυξη νέων τεχνολογιών
Η βασική συμβολή του AutoBot δεν είναι η παρουσίαση ενός έτοιμου εμπορικού υλικού, αλλά η επίδειξη μιας πολύ ταχύτερης μεθόδου βελτιστοποίησης παραγωγικών διαδικασιών.
Στην περίπτωση των φωτοβολταϊκών περοβσκιτών, αυτό μπορεί να βοηθήσει στην αναζήτηση σταθερότερων και πιο ομοιόμορφων επιστρώσεων, μειώνοντας τις επαναλαμβανόμενες χειροκίνητες δοκιμές.
Αντίστοιχες μέθοδοι μπορούν να εφαρμοστούν στην ανάπτυξη προηγμένων ημιαγωγών, οργανικών ηλεκτρονικών και άλλων υλικών που παράγονται με χημικές διαδικασίες από διαλύματα.
Παραμένουν, ωστόσο, σημαντικές τεχνικές προκλήσεις. Οι περοβσκίτες ενδέχεται να υποβαθμίζονται με την έκθεση στην υγρασία, στη θερμότητα και στο φως, ενώ η παρουσία μολύβδου σε πολλές από τις περισσότερο μελετημένες συνθέσεις δημιουργεί πρόσθετα ζητήματα περιβαλλοντικής διαχείρισης.
Η επίτευξη υψηλής ποιότητας σε μικρά εργαστηριακά δείγματα δεν αποδεικνύει αυτομάτως ότι η ίδια διαδικασία μπορεί να χρησιμοποιηθεί οικονομικά και αξιόπιστα σε μεγάλη βιομηχανική κλίμακα.
Η σημασία του AutoBot βρίσκεται στο γεγονός ότι προσφέρει έναν μηχανισμό συστηματικής μάθησης από περιορισμένο αριθμό πειραμάτων. Αν η προσέγγιση επεκταθεί επιτυχώς σε περισσότερα υλικά και μεγαλύτερες γραμμές παραγωγής, θα μπορούσε να επιταχύνει την ανάπτυξη νέων τεχνολογιών ενέργειας και ηλεκτρονικών, περιορίζοντας τον χρόνο και το κόστος της έρευνας.
