Forskare använder maskininlärning för att påskynda utvecklingen av material som kan utnyttja energi från solljus.

Att utnyttja solljus är ett löfte som ett sätt att renligt generera förnybar energi för nästa generations teknik, från solbränsleceller till vattenbehandlingssystem. Sådan teknik kräver förståelse för vad som händer när material och molekyler absorberar solljus.

Datorsimuleringar kan hjälpa oss att bättre förstå ljus-materia-interaktioner. Dock, modelleringsmaterial med flera typer av strukturer, t.ex. fasta/vattengränssnitt, är en komplex uppgift. Men nu, ett forskargrupp vid U.S. Department of Energy's (DOE) Argonne National Laboratory har hittat ett sätt att förenkla dessa modelleringsuppgifter.

Med hjälp av en datadriven metod baserad på maskininlärning, laget kunde förenkla lösningen av de kvantmekaniska ekvationerna som beskriver hur ljus absorberas av ett fast ämne, vätska eller molekyl. Resultaten av forskningen publicerades nyligen i Kemiska vetenskaper.

"Det är verkligen inte intuitivt till en början, men det visar sig att maskininlärningstekniker kan användas för mycket annorlunda ändamål än att känna igen bilder eller förutsäga konsumentbehov, "sa Marco Govoni, medförfattare till studien och assisterande forskare i Argonnes materialvetenskapsavdelning.

Tricket? Inse att inte alla termer i de kvantmekaniska ekvationerna behöver beräknas på samma sätt. Faktiskt, vissa termer kan beräknas - eller läras - från enklare mängder, anmärkningsvärt påskyndar den övergripande simuleringen.

"En viktig insikt i vårt arbete var att förstå att vi kunde återanvända information som erhållits för ett givet fast ämne eller vätska utan att upprepa beräkningar för liknande system. I huvudsak vi kom med ett slags återvinningsprotokoll för att minska komplexiteten hos beräkningar som krävs för att simulera absorption av ljus av material och molekyler, "sa Sijia Dong, som var postdoktor vid Argonne när forskningen genomfördes och är nu biträdande professor vid Northeastern University.

Dessa protokoll kan leda till stora besparingar när det gäller simuleringar som kan ta många timmar eller till och med dagar på högpresterande datorarkitekturer.

Faktiskt, tekniken som teamet utarbetade tillät simuleringar av absorptionsspektra för komplexa system att köra mellan 10 och 200 gånger snabbare. Dessa system inkluderar fasta/flytande gränssnitt som de som finns mellan vatten och en fotoelektrod (ett material som kan förvandla solljus till elektricitet).

"Vår studie gav också inblick i hur man kan förbättra och modifiera den underliggande teorin som används i simuleringarna, "sa Giulia Galli, senior forskare vid Argonnes materialvetenskapliga avdelning och biträdande chef för strategi vid Argonnes avancerade material för energi-vattensystem (AMEWS) Center. Galli är också familjeprofessor Liew i molekylär teknik och professor i kemi vid University of Chicago och chef för Midwest Integrated Center for Computational Materials (MICCoM) med huvudkontor i Argonne.

"Effekten av vår maskininlärningsövning visade sig vara längre än väntat; det datadrivna tillvägagångssättet som vi antog indikerade för oss nya sätt att studera ljus-materia-interaktion i ännu mer realistiska och mer komplexa system än det vi började studera. , "Tillade Galli.

Teamet tittar nu på att tillämpa dessa genvägar och återvinningsprotokoll på problem med elektronisk struktur, inte bara relaterade till ljusabsorption, men också för ljusmanipulation för kvantavkänningstillämpningar.