Oprogramowanie AI wspomaga projektowanie nowego materiału na ogniwa słoneczne

Amory Lovins: A 40-year plan for energy (Lipiec 2019).

Anonim

Ogniwa słoneczne będą odgrywać kluczową rolę w przejściu na gospodarkę odnawialną. Organiczna fotowoltaika (OPV) to obiecująca klasa ogniw słonecznych, oparta na absorbującej światło cząsteczce organicznej połączonej z półprzewodnikowym polimerem.

OPV wykonane są z niedrogich, lekkich materiałów i korzystają z dobrego bezpieczeństwa oraz łatwej produkcji. Jednak ich sprawność konwersji energii (PCE) - zdolność do konwersji światła na energię elektryczną - jest wciąż zbyt niska, aby można ją było skomercjalizować na pełną skalę.

PCE zależy zarówno od warstwy organicznej, jak i od polimeru. Tradycyjnie chemicy eksperymentowali z różnymi ich kombinacjami metodą prób i błędów, prowadząc do zmarnowanego czasu i wysiłku.

Teraz zespół naukowców z Uniwersytetu w Osace użył mocy komputera do zautomatyzowania poszukiwań dobrze dobranych materiałów solarnych. W przyszłości może to prowadzić do znacznie bardziej wydajnych urządzeń. Badanie opisano w Journal of Physical Chemistry Letters.

"Wybór polimeru wpływa na kilka właściwości, takich jak prąd zwarciowy, które bezpośrednio determinują PCE", wyjaśnia pierwszy autor badań, Shinji Nagasawa. "Nie ma jednak łatwego sposobu na projektowanie polimerów o ulepszonych właściwościach, tradycyjna wiedza chemiczna nie wystarczy, zamiast tego wykorzystaliśmy sztuczną inteligencję do kierowania procesem projektowania."

Informatyka może nadawać sens dużym, złożonym zestawom danych, wykrywając trendy statystyczne, które wymykają się ludzkim ekspertom. Zespół zgromadził dane na temat 1200 OPV z około 500 badań. Korzystając z uczenia maszynowego Random Forest, zbudowali model łączący lukę pasma, masę cząsteczkową i strukturę chemiczną tych poprzednich OPV wraz z ich PCE, aby przewidzieć wydajność potencjalnych nowych urządzeń.

Random Forest odkrył lepszą korelację między właściwościami materiałów a ich rzeczywistą wydajnością w OPV. Aby to wykorzystać, zastosowano model do automatycznego "przesiewania" potencjalnych polimerów na ich teoretyczne PCE. Lista najlepszych kandydatów została następnie zmniejszona w oparciu o intuicję chemiczną o tym, co można zsyntetyzować w praktyce.

Ta strategia doprowadziła zespół do stworzenia nowego, wcześniej nietestowanego polimeru. W tym przypadku praktyczny OPV oparty na tej pierwszej próbie okazał się mniej wydajny niż oczekiwano. Jednak model dostarczył użytecznych informacji na temat relacji struktura-właściwość. Jej przewidywania można poprawić poprzez włączenie większej ilości danych, takich jak rozpuszczalność polimerów w wodzie lub regularność ich szkieletu.

"Uczenie maszynowe może znacznie przyspieszyć rozwój ogniw słonecznych, ponieważ natychmiast prognozuje wyniki, które zajęłyby miesiące w laboratorium" - mówi współautor, Akinori Saeki. "To nie jest zwykły zamiennik ludzkiego czynnika - ale może zapewnić kluczowe wsparcie, gdy projektanci molekularni będą musieli wybrać, które ścieżki poznawać."

menu
menu