AI-software hjælper med design af nyt materiale til solceller

Solceller vil spille en nøglerolle i overgangen til en vedvarende økonomi. Organiske solceller (OPV'er) er en lovende klasse af solceller, baseret på et lysabsorberende organisk molekyle kombineret med en halvledende polymer.

OPV'er er lavet af billige, lette materialer, og drage fordel af god sikkerhed samt nem produktion. Imidlertid, deres strømkonverteringseffektivitet (PCE'er) – evnen til at omdanne lys til elektricitet – er stadig for lav til fuldskala kommercialisering.

PCE afhænger af både det organiske og polymere lag. Traditionelt, kemikere har eksperimenteret med forskellige kombinationer af disse ved trial-and-error, fører til en masse spildtid og kræfter.

Nu, et team af forskere fra Osaka University har brugt computerkraft til at automatisere søgningen efter velmatchede solmaterialer. I fremtiden, dette kan føre til langt mere effektive enheder. Undersøgelsen blev rapporteret i Journal of Physical Chemistry Letters .

"Valget af polymer påvirker flere egenskaber, som kortslutningsstrøm, der direkte bestemmer PCE, ", forklarer førsteforfatter Shinji Nagasawa. "Men, der er ingen nem måde at designe polymerer med forbedrede egenskaber på. Traditionel kemisk viden er ikke nok. I stedet, vi brugte kunstig intelligens til at guide designprocessen."

Informatik kan give mening med store, komplekse datasæt ved at detektere statistiske tendenser, der unddrager sig menneskelige eksperter. Holdet indsamlede data om 1. 200 OPV'er fra omkring 500 undersøgelser. Brug af Random Forest machine learning, de byggede en model, der kombinerede båndgabet, molekylær vægt, og kemisk struktur af disse tidligere OPV'er, sammen med deres PCE, at forudsige effektiviteten af ​​potentielle nye enheder.

Random Forest afdækkede en forbedret sammenhæng mellem materialernes egenskaber og deres faktiske ydeevne i OPV'er. For at udnytte dette, modellen blev brugt til automatisk at "screene" potentielle polymerer for deres teoretiske PCE. Listen over topkandidater blev derefter skåret ned ud fra kemisk intuition om, hvad der kan syntetiseres i praksis.

Denne strategi fik holdet til at skabe en ny, tidligere utestet polymer. I tilfældet en praktisk OPV baseret på dette første forsøg viste sig mindre effektiv end forventet. Imidlertid, modellen gav nyttig indsigt i forholdet struktur-ejendom. Dens forudsigelser kunne forbedres ved at inkludere flere data, såsom polymerernes opløselighed i vand, eller regelmæssigheden af ​​deres rygrad.

"Maskinlæring kunne i høj grad accelerere udviklingen af ​​solceller, da det øjeblikkeligt forudsiger resultater, der ville tage måneder i laboratoriet, " medforfatter Akinori Saeki siger. "Det er ikke en ligetil erstatning for den menneskelige faktor - men det kan give afgørende støtte, når molekylære designere skal vælge, hvilke veje de skal udforske."