Ученые улучшили в разы эффективность солнечных панелей при помощи специальных молекул
Ученые улучшили в разы эффективность солнечных панелей при помощи специальных молекул

Ученые улучшили в разы эффективность солнечных панелей при помощи специальных молекул

Машинное обучение значительно ускорило поиск новых полупроводниковых молекул для перовскитных солнечных элементов — 150 экспериментов вместо сотен тысяч испытаний.

Исследователи из Института Гельмгольца по возобновляемой энергии в Эрлангене-Нюрнберге (HI ERN), филиала исследовательского центра Jülich обнаружили новые органические молекулы, которые можно использовать для повышения эффективности перовскитных солнечных элементов, пишет chemeurope.com.

Ученые объединили ИИ с полностью автоматизированным высокопроизводительным синтезом. Они провели 150 экспериментов, но если бы не ИИ, то им понадобилось бы провести сотни тысяч тестов. С одним из материалов, обнаруженных таким образом, они увеличили эффективность эталонного солнечного элемента примерно на 2% — до 26,2%.

Отправной точкой в ​​HI ERN была база данных со структурными формулами около миллиона виртуальных молекул, которые можно было бы получить из коммерчески доступных веществ. Исследователи использовали устоявшиеся квантово-механические методы для расчета энергетических уровней, полярности, геометрии и других характеристик 13 000 случайно выбранных виртуальных молекул.

Из этих 13 000 молекул затем выбрали 100 молекул, которые максимально отличались по характеристикам. Они были автоматически произведены в HI ERN с помощью роботизированной системы и использованы для производства в остальном идентичных солнечных элементов. Затем измерили их эффективность. Полученные значения и характеристики связанных молекул использовали для обучения ИИ-модели. В итоге, ИИ предложил еще 48 молекул для синтеза на основе двух критериев: ожидаемой высокой эффективности и непредсказуемых свойств.

Молекулы, предложенные ИИ, могут быть использованы для создания солнечных батарей с эффективностью выше средней. Исследователи могут следовать молекулярным предложениям ИИ в определенной степени, поскольку используемый ИИ указывает, какие характеристики виртуальных молекул были решающими для его предложений. Оказалось, что предложения ИИ также частично основывались на характеристиках, на которые химики ранее обращали меньше внимания, например, на наличии определенных химических групп, таких как амины.

Источник материала
loader
loader