Солнце непрерывно передает на Землю триллионы ватт энергии. Так будет еще миллиарды лет. Тем не менее, мы только начали использовать этот обильный возобновляемый источник энергии по доступной цене.

Солнечные поглотители представляют собой материал, используемый для преобразования этой энергии в тепло или электричество. Мария Чан, ученый из Аргоннской национальной лаборатории Министерства энергетики США (DOE), разработала метод машинного обучения для скрининга многих тысяч соединений в качестве поглотителей солнечного излучения. Ее соавтором в этом проекте был Арун Манноди-Канаккитоди, бывший постдоктор из Аргонны, который сейчас является доцентом Университета Пердью.

«Согласно недавнему исследованию Министерства энергетики, к 2035 году солнечная энергия сможет обеспечивать 40% электроэнергии страны», — сказал Чан. «И это может помочь в обезуглероживании энергосистемы и создании множества новых рабочих мест».

Чан и Манноди-Канаккитоди делают ставку на то, что машинное обучение сыграет жизненно важную роль в достижении этой высокой цели. Машинное обучение, форма искусственного интеллекта (ИИ), использует комбинацию больших наборов данных и алгоритмов для имитации того, как учатся люди. Он учится на обучении с выборочными данными и прошлым опытом, чтобы делать все более точные прогнозы.

Во времена Томаса Эдисона ученые открывали новые материалы путем трудоемкого процесса проб и ошибок с множеством разных кандидатов, пока один из них не сработал. За последние несколько десятилетий они также полагались на трудоемкие расчеты, требующие до тысячи часов, чтобы предсказать свойства материала. Теперь они могут сократить оба процесса обнаружения, обратившись к машинному обучению.

В настоящее время первичным поглотителем в солнечных элементах является либо кремний, либо теллурид кадмия. Такие клетки в настоящее время являются обычным явлением. Но они остаются достаточно дорогими и энергоемкими в производстве.

Команда использовала свой метод машинного обучения для оценки свойств солнечной энергии класса материалов, называемых галогенидными перовскитами. За последнее десятилетие многие исследователи изучали перовскиты из-за их замечательной эффективности в преобразовании солнечного света в электричество. Они также предлагают перспективу гораздо более низких затрат и энергозатрат на подготовку материала и создание ячеек.

«В отличие от теллурида кремния или кадмия, возможные вариации галогенидов в сочетании с перовскитами практически безграничны», — сказал Чан. «Таким образом, существует острая необходимость в разработке метода, который может сузить количество многообещающих кандидатов до управляемого числа. Для этого машинное обучение является идеальным инструментом».

Команда обучила свой метод данным для нескольких сотен составов галогенидов перовскита, а затем применила его к более чем 18 000 составов в качестве тестового примера. Метод оценивал эти композиции по ключевым свойствам, таким как стабильность, способность поглощать солнечный свет, структура, которая не разрушается легко из-за дефектов, и многое другое. Расчеты хорошо согласуются с соответствующими данными в научной литературе. Кроме того, полученные данные сократили количество композиций, заслуживающих дальнейшего изучения, примерно до 400.

«В нашем списке кандидатов есть соединения, которые уже были изучены, соединения, которые никто никогда не изучал, и даже соединения, которых не было среди исходных 18 000», — сказал Чан. «Поэтому мы очень рады этому».

Следующим шагом будет проверка предсказаний с помощью экспериментов. Идеальным сценарием было бы использование автономной исследовательской лаборатории, такой как Polybot в Аргоннском центре наноразмерных материалов (CNM), пользовательском объекте Управления науки Министерства энергетики США. Polybot объединяет мощь робототехники с искусственным интеллектом для проведения научных открытий практически без вмешательства человека.

Используя автономные эксперименты для синтеза, характеристики и тестирования лучших из нескольких сотен основных кандидатов, Чан и ее команда ожидают, что они также смогут улучшить текущий метод машинного обучения.

«Мы действительно находимся в новой эре применения ИИ и высокопроизводительных вычислений для открытия материалов», — сказал Чан. «Помимо солнечных элементов, наша методология проектирования может применяться к светодиодам и инфракрасным датчикам».

Об этом исследовании сообщается в статье в Energy & Environmental Science.