Fotovoltaiska solceller är ett lovande alternativ till fossila bränslen, men de måste vara mycket effektivare innan de kan användas i stor utsträckning. Forskare har drivit nuvarande superdatorkraft till det yttersta och letar efter den förbättrade effektiviteten, men ankomsten av exascale computing inom de närmaste åren kommer att tillåta dem att ta detta uppdrag till nästa nivå.

Mot detta mål, forskare från Berkeley Labs Computational Research Division (CRD) och National Energy Research Scientific Computing Center (NERSC) samarbetar med Carnegie Mellon och ett antal andra akademiska institutioner för att förbereda sig på att använda landets första exascale-dator nästa år för att fortsätta sökandet efter nya , effektivare fotovoltaiska solcellsmaterial. Projektet kommer att kombinera analytisk simulering med maskininlärning och datautvinning för att upptäcka nya material.

Samarbetet använder mjukvara utvecklad av Berkeley Lab-forskare för att förutsäga excitationsegenskaper i potentiella solcellsmaterial. Mjukvaran, BerkeleyGW, är ett materialvetenskapligt simuleringspaket som kan förutsäga material i exciterat tillstånd, vilket är hur ett material reagerar på ett stimulerande medel som en foton som kommer in i det. BerkeleyGW anses vara en av de mest exakta kvantmekaniska simuleringarna för datainsamling.

"Medan GW-beräkningsmetoden implementerad i BerkeleyGW är mycket exakt, det ansågs ofta vara dyrt i form av datortid som krävdes för att köra koden, säger Jack Deslippe, en NERSC-gruppledare och en huvudutvecklare av BerkeleyGW-koden. "För detta samarbete, vårt team har optimerat BerkeleyGW så att det inte bara är ett exakt prediktivt verktyg utan också skalas till toppprestanda på moderna arkitekturer, som tillåter forskare att analysera upp till flera tusen atomer - något som tidigare var omöjligt."

Solceller omvandlar fotoner från solen till elektricitet genom att absorbera fotoner och generera en ström av elektroner. Vanligtvis omvandlas en foton till en elektron. Carnegie Mellon-samarbetet letar efter material som kan genomgå singlet fission, en process genom vilken en fotogenererad singlettexcitonfoton omvandlas till två triplettexcitoner, öka strömmen som släpps ut. Målet med forskningen är att hitta de sällsynta material som kan genomgå singelklyvning för att förbättra solcellseffektiviteten.

Att försöka hitta dessa typer av material experimentellt är en omöjlig uppgift – forskare liknar det vid att hitta en nål i en höstack. "Men vi kan simulera dessa materialegenskaper, använda beräkningar för att utföra screening av möjligheterna och välja vad vi tycker är de bästa kandidaterna, skicka dem sedan till labbet för testning, " säger Mauro Del Ben, en CRD-forskare som har arbetat med BerkeleyGW-koden. "Eftersom vi letar efter upphetsade tillstånd i dessa material, vi behöver en nivå av noggrannhet som går utöver vad som är tillgängligt för närvarande, och det är där BerkeleyGW kommer in."

Beräkningskostnaden är fortfarande hög, men förbättrad kodprestanda kan hjälpa till att minska belastningen. Genom att optimera parallellisering och utnyttja acceleratorer som GPU:er, BerkeleyGW kan tackla på bara några få noder beräkningar som tidigare tog tusentals noder. Forskningen pågår för närvarande på superdatorn Theta vid Argonne National Laboratory, Cori på NERSC, och Summit på Oak Ridge National Laboratory, för närvarande den mest kraftfulla superdatorn i världen.

Den första exascale superdatorn är planerad att anlända till Argonne National Laboratory 2021. Carnegie Mellon-teamet siktar på att optimera arbetsflöden så att deras forskning är redo att köras på det nya exascale-systemet.

Om projektet är framgångsrikt, den kan användas som en mall för alla typer av maskininlärning, datadriven upptäckt av nytt material inom olika områden, sätta en standard för vad som kan användas i framtiden för fler applikationer, säger Del Ben.