Ett EPFL-forskningsprojekt har utvecklat en metod baserad på maskininlärning för att snabbt och exakt söka i stora databaser, vilket leder till upptäckten av 14 nya material för solceller.
När vi integrerar solenergi i vårt dagliga liv har det blivit viktigt att hitta material som effektivt omvandlar solljus till elektricitet. Även om kisel hittills har dominerat solenergiteknik, finns det också en stadig vändning mot material som kallas perovskiter på grund av deras lägre kostnader och enklare tillverkningsprocesser.
Utmaningen har dock varit att hitta perovskiter med rätt "bandgap":ett specifikt energiområde som avgör hur effektivt ett material kan absorbera solljus och omvandla det till elektricitet utan att förlora det som värme.
Nu har ett EPFL-forskningsprojekt lett av Haiyuan Wang och Alfredo Pasquarello, med samarbetspartners i Shanghai och i Louvain-La-Neuve, utvecklat en metod som kombinerar avancerad beräkningsteknik med maskininlärning för att söka efter optimala perovskitmaterial för solcellsapplikationer. Tillvägagångssättet kan leda till effektivare och billigare solpaneler, vilket förändrar solenergiindustrins standarder.
Uppsatsen är publicerad i Journal of the American Chemical Society .
Forskarna började med att utveckla en omfattande och högkvalitativ datauppsättning av bandgap-värden för 246 perovskitmaterial. Datauppsättningen konstruerades med hjälp av avancerade beräkningar baserade på hybridfunktioner - en sofistikerad typ av beräkning som inkluderar elektronutbyte och förbättrar den mer konventionella densitetsfunktionsteorin (DFT). DFT är en kvantmekanisk modelleringsmetod som används för att undersöka den elektroniska strukturen hos många kroppssystem som atomer och molekyler.
De hybridfunktioner som användes var "dielektriska beroende", vilket betyder att de inkorporerade materialets elektroniska polarisationsegenskaper i sina beräkningar. Detta förbättrade avsevärt noggrannheten hos förutsägelser av bandgap jämfört med standard DFT, vilket är särskilt viktigt för material som perovskiter där elektroninteraktion och polarisationseffekter är avgörande för deras elektroniska egenskaper.
Den resulterande datamängden gav en robust grund för att identifiera perovskitmaterial med optimala elektroniska egenskaper för applikationer som solceller, där exakt kontroll över bandgap-värden är avgörande för att maximera effektiviteten.
Teamet använde sedan bandgap-beräkningarna för att utveckla en maskininlärningsmodell tränad på de 246 perovskiterna, och tillämpade den på en databas med cirka 15 000 kandidatmaterial för solceller, vilket minskade sökningen till de mest lovande perovskiterna baserat på deras förutspådda band luckor och stabilitet. Modellen identifierade 14 helt nya perovskiter, alla med bandgap och tillräckligt hög energistabilitet för att göra dem till utmärkta kandidater för högeffektiva solceller.
Arbetet visar att användning av maskininlärning för att effektivisera upptäckten och valideringen av nya solcellsmaterial kan sänka kostnaderna och avsevärt påskynda införandet av solenergi, minska vårt beroende av fossila bränslen och hjälpa till i den globala ansträngningen att bekämpa klimatförändringar.
Mer information: Haiyuan Wang et al, data av hög kvalitet som möjliggör universalitet för bandgap-deskriptor och upptäckt av fotovoltaiska perovskiter, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.4c03507
Journalinformation: Tidskrift för American Chemical Society
Tillhandahålls av Ecole Polytechnique Federale de Lausanne
