Forskarnas världsomspännande strävan att hitta bättre, effektivare material för morgondagens solpaneler är vanligtvis långsamt och mödosamt. Forskare måste vanligtvis producera laboratorieprover - som ofta är sammansatta av flera lager av olika material sammanfogade - för omfattande tester.

Nu, ett team på MIT och andra institutioner har kommit på ett sätt att kringgå sådan dyra och tidskrävande tillverkning och testning, möjliggör en snabb screening av mycket fler variationer än vad som skulle vara praktiskt genom det traditionella tillvägagångssättet.

Den nya processen kunde inte bara påskynda sökandet efter nya formuleringar, men också göra ett mer exakt jobb med att förutsäga deras prestanda, förklarar Rachel Kurchin, en MIT doktorand och medförfattare till en artikel som beskriver den nya processen som visas denna vecka i tidskriften Joule . Traditionella metoder kräver ofta att du gör ett specialiserat prov, men som skiljer sig från en verklig cell och kanske inte är helt representativ" för en riktig solcells prestanda, hon säger.

Till exempel, typiska testmetoder visar beteendet hos "majoritetsbärarna, " de dominerande partiklarna eller vakanserna vars rörelse producerar en elektrisk ström genom ett material. Men när det gäller fotovoltaiska (PV) material, Kurchin förklarar, det är faktiskt minoritetsbärarna – de som är mycket mindre förekommande i materialet – som är den begränsande faktorn för en enhets totala effektivitet, och de är mycket svårare att mäta. Dessutom, typiska procedurer mäter bara strömflödet i en uppsättning riktningar – inom planet för ett tunnfilmsmaterial – medan det är upp-ned-flöde som faktiskt utnyttjas i en fungerande solcell. I många material, det flödet kan vara "drastiskt annorlunda, "gör det avgörande att förstå för att korrekt karakterisera materialet, hon säger.

"Historiskt sett, takten i utvecklingen av nya material är långsam - vanligtvis 10 till 25 år, säger Tonio Buonassisi, en docent i maskinteknik vid MIT och senior författare till tidningen. "En av de saker som gör processen långsam är den långa tid det tar att felsöka prototypenheter i ett tidigt skede, " säger han. "Att utföra karaktärisering tar tid - ibland veckor eller månader - och mätningarna har inte alltid den nödvändiga känsligheten för att fastställa grundorsaken till eventuella problem."

Så, Buonassisi säger, "slutsatsen är, om vi vill öka takten i utvecklingen av nya material, det är absolut nödvändigt att vi tar reda på snabbare och mer exakta sätt att felsöka våra material och prototypenheter i tidiga skeden." Och det är vad teamet nu har åstadkommit. De har utvecklat en uppsättning verktyg som kan användas för att göra exakta, snabba bedömningar av föreslagna material, med hjälp av en serie relativt enkla labbtester kombinerat med datormodellering av materialets fysiska egenskaper, samt ytterligare modellering baserad på en statistisk metod som kallas Bayesian inferens.

Systemet innebär att man tillverkar en enkel testenhet, sedan mäta dess strömutgång under olika nivåer av belysning och olika spänningar, att kvantifiera exakt hur prestandan varierar under dessa föränderliga förhållanden. Dessa värden används sedan för att förfina den statistiska modellen.

"Efter att vi förvärvat många strömspänningsmätningar [av provet] vid olika temperaturer och belysningsintensiteter, vi måste ta reda på vilken kombination av material och gränssnittsvariabler som passar bäst med vår uppsättning mått, Buonassisi förklarar. "Genom att representera varje parameter som en sannolikhetsfördelning kan vi ta hänsyn till experimentell osäkerhet, och det låter oss också ta reda på vilka parametrar som samvarierar."

Den Bayesianska slutledningsprocessen gör att uppskattningarna av varje parameter kan uppdateras baserat på varje ny mätning, gradvis förfina uppskattningarna och komma allt närmare det exakta svaret, han säger.

När man söker en kombination av material för en viss typ av tillämpning, Kurchin säger, "vi lägger in alla dessa materialegenskaper och gränssnittsegenskaper, och det kommer att berätta hur utgången kommer att se ut."

Systemet är enkelt nog att även för material som har varit mindre välkaraktäriserade i labbet, "vi kan fortfarande köra detta utan enorma datorkostnader." Och, Kurchin säger, att använda beräkningsverktygen för att screena möjliga material kommer att bli allt mer användbart eftersom "labbutrustning har blivit dyrare, och datorer har blivit billigare. Denna metod låter dig minimera din användning av komplicerad labbutrustning."

Den grundläggande metoden, Buonassisi säger, kan tillämpas på en mängd olika materialutvärderingar, inte bara solceller – faktiskt, det kan gälla alla system som involverar en datormodell för utmatning av en experimentell mätning. "Till exempel, detta tillvägagångssätt utmärker sig när det gäller att ta reda på vilket material eller gränssnittsegenskap som kan begränsa prestandan, även för komplexa högar av material som batterier, termoelektriska apparater, eller kompositer som används i tennisskor eller flygplansvingar." Och, han lägger till, "Det är särskilt användbart för forskning i tidiga skeden, där många saker kan gå fel på en gång."

Går framåt, han säger, "Vår vision är att koppla ihop denna snabba karakteriseringsmetod med de snabbare material- och enhetssyntesmetoderna vi har utvecklat i vårt labb." I sista hand, han säger, "Jag är mycket hoppfull om kombinationen av datorer med hög genomströmning, automatisering, och maskininlärning kommer att hjälpa oss att accelerera utvecklingen av nya material med mer än en faktor fem. Detta kan vara transformerande, sänker tidslinjerna för nya materialvetenskapliga upptäckter från 20 år till cirka tre till fem år."