Uczenie maszynowe wspomaga rozwój perowskitów

fot. pixabay

Międzynarodowy zespół naukowców wykorzystał uczenie maszynowe, aby pomóc opracować ogniwa słoneczne z perowskitu o niemal rekordowej wydajności. W swoim artykule opublikowanym w czasopiśmie Science badacze opisują, w jaki sposób wykorzystali algorytm uczenia maszynowego, aby pomóc znaleźć nowe materiały niezbędne do ich konstrukcji.

Obecnie jedna z części takiego ogniwa słonecznego nazywana jest warstwą transportującą dziury (HTL). Jej celem jest przenoszenie par elektron-dziura generowanych ze stabilnego elektronu przez półprzewodnik po pochłonięciu fotonu. Skuteczność takiego transportu wyraźnie wpływa na poziom wydajności ogniwa słonecznego i jest bezpośrednio związana z materiałem, z którego jest wykonana wspomniana warstwa.

Do tej pory znaleziono niewiele materiałów, które są odpowiednie do tego zastosowania w kontekście komercyjnym. Naukowcy zauważają, że wszystkie z nich zostały odkryte poprzez eksperymenty z istniejącymi strukturami, a nie poprzez zastosowanie podstawowej wiedzy na temat ich działania. W ramach nowego przedsięwzięcia postanowili szukać skutecznego materiału przy użyciu uczenia maszynowego.

Algorytm został opracowany przy użyciu 101 cząsteczek wybranych z zestawu danych ponad miliona kandydatów. Testowe ogniwa słoneczne zostały wykonane przy użyciu syntetyzowanych materiałów, których właściwości wykorzystano jako materiał szkoleniowy dla sztucznej inteligencji. Następnie algorytm miał za zadanie wytypować najlepsze do tego celu materiały - finalnie 24.

Następnie zostały one zsyntetyzowane i wprowadzone do działających ogniw słonecznych w celu przetestowania. Po kilku rundach badań zespół zdecydował się na konkretny z nich, co zaowocowało budową ogniw na bazie perowskitu o wydajności sięgającej 26,2%. Rekord dla takich ogniw wynosi obecnie 26,7%, co oznacza, że ich wysiłki były bardzo bliskie podniesienia granicznej wydajności. Podczas testów wyprodukowali kilka podobnych materiałów, co sugeruje, że takie podejście można wykorzystać do wytworzenia większej liczby kandydatów, z których niektóre mogą być ostatecznie w stanie zwiększyć ich efektywność.

(rr)