Maskininlärningsmetoder utvecklas på Argonne för att främja solenergiforskning med perovskiter. Kredit:Maria Chan/Argonne National Laboratory
Solen sänder kontinuerligt biljoner watt energi till jorden. Det kommer den att göra i miljarder år till. Ändå har vi bara börjat utnyttja denna rikliga, förnybara energikälla till överkomliga priser.
Solabsorbenter är ett material som används för att omvandla denna energi till värme eller elektricitet. Maria Chan, en vetenskapsman vid det amerikanska energidepartementets (DOE) Argonne National Laboratory, har utvecklat en maskininlärningsmetod för att screena många tusen föreningar som solabsorbenter. Hennes medförfattare till detta projekt var Arun Mannodi-Kanakkithodi, en tidigare Argonne postdoc som nu är biträdande professor vid Purdue University.
"Enligt en nyligen genomförd DOE-studie kan solenergi senast 2035 driva 40% av landets el", säger Chan. "Och det kan hjälpa till med koldioxidutsläpp i nätet och ge många nya jobb."
Chan och Mannodi-Kanakkithodi satsar på att maskininlärning kommer att spela en avgörande roll för att förverkliga det höga målet. En form av artificiell intelligens (AI), maskininlärning använder en kombination av stora datamängder och algoritmer för att imitera hur människor lär sig. Den lär sig av träning med exempeldata och tidigare erfarenheter för att göra allt bättre förutsägelser.
På Thomas Edisons dagar upptäckte forskare nya material genom den mödosamma processen med försök och misstag med många olika kandidater tills man arbetar. Under de senaste decennierna har de också förlitat sig på arbetskrävande beräkningar som tar så långa som tusen timmar för att förutsäga ett material egenskaper. Nu kan de genväga båda upptäcktsprocesserna genom att använda maskininlärning.
För närvarande är den primära absorbatorn i solceller antingen kisel eller kadmiumtellurid. Sådana celler är nu vanliga. Men de är fortfarande ganska dyra och energikrävande att tillverka.
Teamet använde sin maskininlärningsmetod för att bedöma solenergiegenskaperna hos en klass av material som kallas halidperovskiter. Under det senaste decenniet har många forskare studerat perovskiter på grund av deras anmärkningsvärda effektivitet när det gäller att omvandla solljus till elektricitet. De erbjuder också möjlighet till mycket lägre kostnader och energiinsats för materialberedning och cellbyggnad.
"Till skillnad från kisel eller kadmiumtellurid är de möjliga variationerna av halogenider i kombination med perovskiter i stort sett obegränsade," sa Chan. "Det finns alltså ett akut behov av att utveckla en metod som kan begränsa de lovande kandidaterna till ett hanterbart antal. För detta ändamål är maskininlärning ett perfekt verktyg."
Teamet tränade sin metod med data för några hundra halidperovskitkompositioner och använde den sedan på över 18 000 kompositioner som ett testfall. Metoden utvärderade dessa kompositioner för nyckelegenskaper som stabilitet, förmåga att absorbera solljus, struktur som inte lätt går sönder på grund av defekter, med mera. Beräkningarna stämde väl överens med relevanta data i den vetenskapliga litteraturen. Resultaten minskade också antalet kompositioner värda att studera vidare till cirka 400.
"Vår lista över kandidater har föreningar som redan har studerats, föreningar som ingen någonsin har studerat, och till och med föreningar som inte var bland de ursprungliga 18 000," sa Chan. "Så vi är väldigt exalterade över det."
Nästa steg blir att testa förutsägelserna med hjälp av experiment. Det idealiska scenariot skulle vara att använda ett autonomt upptäcktslaboratorium, som Polybot vid Argonne's Center for Nanoscale Materials (CNM), en DOE Office of Science-användaranläggning. Polybot förenar kraften hos robotik med AI för att driva vetenskapliga upptäckter med liten eller ingen mänsklig inblandning.
Genom att använda autonoma experiment för att syntetisera, karakterisera och testa de bästa av sina några hundra främsta kandidater, förväntar Chan och hennes team att de också kan förbättra den nuvarande maskininlärningsmetoden.
"Vi är verkligen inne i en ny era av att tillämpa AI och högpresterande datoranvändning för materialupptäckt", säger Chan. "Förutom solceller kan vår designmetod tillämpas på lysdioder och infraröda sensorer."
Denna forskning rapporteras i en artikel i Energy &Environmental Science . + Utforska vidare
