Verwendung von maschinellem Lernen, um zuverlässige und kostengünstige Solarzellen zu finden

Forscher jener University of California, Davis College of Engineering, nutzen maschinelles Lernen, um neue Materialien zu Händen hocheffiziente Solarzellen zu identifizieren. Mithilfe von Hochdurchsatzexperimenten und gen maschinellem Lernen basierenden Algorithmen nach sich ziehen sie herausgefunden, dass es möglich ist, dies dynamische Verhalten jener Materialien mit sehr hoher Gewissenhaftigkeit vorherzusagen, ohne dass so viele Experimente durchgeführt werden sollen.

Zwitterhaft-Perowskite sind organisch-anorganische Moleküle, die in den letzten 10 Jahren viel Mitbringsel zu Händen ihren potenziellen Kapitaleinsatz in erneuerbaren Energien erhalten nach sich ziehen, sagte Yachthafen Leite, außerordentliche Professorin zu Händen Materialwissenschaften und -technik an jener UC Davis und leitende Autorin des Papiers. Manche sind in jener Nutzen mit Silizium zur Herstellung von Solarzellen vergleichbar, jedoch sie sind billiger in jener Herstellung und leichter und zuteil werden lassen notfalls eine breite Palette von Anwendungen, einschließlich lichtemittierender Geräte.

Eine Hauptherausforderung gen diesem Gebiet besteht darin, dass die Perowskit-Bauelemente dazu tendieren, sich viel leichter zu zersetzen qua Silizium, wenn sie Feuchtigkeit, Sauerstoffgas, Licht, Hitze und Tonus ausgesetzt werden. Dies Problem besteht darin, herauszufinden, welche Perowskite hocheffiziente Leistung mit Widerstandsfähigkeit im Vergleich zu Umweltbedingungen kombinieren.

Perowskite nach sich ziehen eine allgemeine Struktur von ABX3, womit A eine organische (gen Kohlenstoff basierende) oder anorganische Typ ist, B Pb oder Zinn ist und X ein Halogenid (gen jener Stützpunkt von Chlorgas, Jod oder Fluor oder einer Zusammensetzung davon) ist. So gesehen sei „einsam die Zahl jener möglichen chemischen Kombinationen riesengroß“, so Leite. Darüber hinaus sollen sie einzeln und in Zusammensetzung mittels mehrerer Umgebungsbedingungen bewertet werden, welches zu einem Hyperparameterraum führt, jener mit herkömmlichen Trial-and-Error-Methoden nicht erkundet werden kann.

„Dieser chemische Parameterraum ist riesengroß“, sagte Leite. „Sie jedweder zu testen, wäre sehr zeitaufwändig und mühsam.“

Experimente mit hohem Durchsatz und maschinelles Lernen
Qua ersten und entscheidenden Schrittgeschwindigkeit zur Problembeseitigung dieser Herausforderungen determinieren Leite und die Doktorandinnen Meghna Srivastava und Abigail Zeltpflock, zu testen, ob maschinelle Lernalgorithmen beim Testen und Vorhersagen jener Auswirkungen von Feuchtigkeit gen die Materialverschlechterung effektiv sein könnten.

Srivastava und Zeltpflock bauten ein automatisiertes Hochdurchsatzsystem, um die Photolumineszenz-Nutzen von fünf verschiedenen Perowskit-Filmen unter den Bedingungen jener Sommertage in Sacramento zu messen. Sie konnten in einer Woche verbleibend 7.000 Messungen vereinen und so genügend Statistik zu Händen ein zuverlässiges Trainingsset vereinen.

Sie verwendeten ebendiese Statistik, um drei verschiedene maschinelle Lernalgorithmen zu trainieren: ein lineares Regressionsmodell, ein neuronales Netzwerk und ein statistisches Normal namens SARIMAX. Sie verglichen die Vorhersagen jener Modelle mit im Laboratorium gemessenen physikalischen Ergebnissen. Dies SARIMAX-Normal zeigte die beste Leistung mit einer 90-prozentigen Einklang mit den beobachteten Ergebnissen während eines Fensters von mehr qua 50 Zahlungsfrist aufschieben.

„Jene Ergebnisse zeigen, dass wir maschinelles Lernen nutzen können, um Kandidatenmaterialien und geeignete Bedingungen zu identifizieren, um den Entlassung von Perowskiten zu verhindern“, sagte Leite. Die nächsten Schritte werden darin Leben, die Experimente zu erweitern, um Kombinationen mehrerer Umweltfaktoren zu quantifizieren.

Dieser Perowskitfilm selbst sei nur ein Teil einer kompletten Photovoltaikzelle, sagte Leite. Derselbe maschinelle Lernansatz könnte genauso verwendet werden, um dies Verhalten eines kompletten Geräts vorherzusagen.

„Unser Paradigma ist einzigartig und ich bin gespannt gen die kommenden Messungen. Außerdem bin ich sehr stolz gen den Fleiß jener Studierenden während jener weltweite Seuche“, sagte Leite.

Forschungsbericht: Maschinelles Lernen ermöglicht die Vorhersage des optischen Verhaltens von Halogenid-Perowskiten mit einer Gewissenhaftigkeit von >90 %

verwandte Sinister

Universität von Kalifornien – Davis

Was auch immer verbleibend Solarenergie c/o SolarDaily.com