Såd sol med kunstig intelligens

Solen sender kontinuerligt billioner af watt energi til Jorden. Det vil den gøre i flere milliarder år. Alligevel er vi kun lige begyndt at udnytte den rigelige, vedvarende energikilde til en overkommelig pris.

Solfangere er et materiale, der bruges til at omdanne denne energi til varme eller elektricitet. Maria Chan, en videnskabsmand i det amerikanske energiministeriums (DOE) Argonne National Laboratory, har udviklet en maskinlæringsmetode til screening af mange tusinde forbindelser som solfangere. Hendes medforfatter på dette projekt var Arun Mannodi-Kanakkithodi, en tidligere Argonne postdoc, som nu er assisterende professor ved Purdue University.

"Ifølge en nylig DOE-undersøgelse kan solenergi i 2035 drive 40% af landets elektricitet," sagde Chan. "Og det kunne hjælpe med at dekarbonisere nettet og give mange nye job."

Chan og Mannodi-Kanakkithodi satser på, at maskinlæring vil spille en afgørende rolle i at realisere dette høje mål. En form for kunstig intelligens (AI), maskinlæring bruger en kombination af store datasæt og algoritmer til at efterligne den måde, som mennesker lærer. Den lærer af træning med eksempeldata og tidligere erfaringer for at lave stadig bedre forudsigelser.

I Thomas Edisons dage opdagede videnskabsmænd nye materialer ved den besværlige proces med forsøg og fejl med mange forskellige kandidater, indtil man arbejder. I løbet af de sidste mange årtier har de også været afhængige af arbejdskrævende beregninger, der har krævet så længe som tusinde timer at forudsige et materiales egenskaber. Nu kan de genveje begge opdagelsesprocesser ved at bruge maskinlæring.

På nuværende tidspunkt er den primære absorber i solceller enten silicium eller cadmiumtellurid. Sådanne celler er nu almindelige. Men de forbliver ret dyre og energikrævende at fremstille.

Holdet brugte deres maskinlæringsmetode til at vurdere solenergiegenskaberne for en klasse materiale kaldet halogenidperovskitter. I løbet af det sidste årti har mange forskere studeret perovskitter på grund af deres bemærkelsesværdige effektivitet i at omdanne sollys til elektricitet. De giver også udsigt til meget lavere omkostninger og energiinput til materialeforberedelse og cellebygning.

"I modsætning til silicium eller cadmiumtellurid er de mulige variationer af halogenider kombineret med perovskiter stort set ubegrænsede," sagde Chan. "Der er således et presserende behov for at udvikle en metode, der kan indsnævre de lovende kandidater til et overskueligt antal. Til det formål er machine learning et perfekt værktøj."

Holdet trænede deres metode med data for et par hundrede halogenidperovskitsammensætninger og anvendte det derefter på over 18.000 sammensætninger som et testcase. Metoden evaluerede disse sammensætninger for nøgleegenskaber såsom stabilitet, evne til at absorbere sollys, struktur, der ikke let går i stykker på grund af defekter og meget mere. Beregningerne stemte godt overens med relevante data i den videnskabelige litteratur. Resultaterne reducerede også antallet af kompositioner, der er værdige til yderligere undersøgelse, til omkring 400.

"Vores liste over kandidater har forbindelser, der allerede er blevet undersøgt, forbindelser, som ingen nogensinde har studeret, og endda forbindelser, der ikke var blandt de oprindelige 18.000," sagde Chan. "Så det er vi meget begejstrede for."

Det næste trin vil være at teste forudsigelserne ved hjælp af eksperimenter. Det ideelle scenarie ville være at bruge et autonomt opdagelseslaboratorium, såsom Polybot ved Argonne's Center for Nanoscale Materials (CNM), en DOE Office of Science brugerfacilitet. Polybot samler robotteknologiens kraft med kunstig intelligens for at drive videnskabelig opdagelse med ringe eller ingen menneskelig indgriben.

Ved at bruge autonome eksperimenter til at syntetisere, karakterisere og teste de bedste af deres få hundrede hovedkandidater, forventer Chan og hendes team, at de også kan forbedre den nuværende maskinlæringsmetode.

"Vi er virkelig i en ny æra med at anvende kunstig intelligens og højtydende databehandling til materialeopdagelse," sagde Chan. "Udover solceller kan vores designmetode gælde for LED'er og infrarøde sensorer."

Denne forskning er rapporteret i en artikel i Energy &Environmental Science . + Udforsk yderligere

Afdækning af naturens mønstre på atomskala i levende farver