Stort set ubegrænsede solcelleeksperimenter

Osaka University-forskere brugte maskinlæring til at designe nye polymerer til brug i fotovoltaiske enheder. Efter praktisk talt screening over 200, 000 kandidatmaterialer, de syntetiserede en af ​​de mest lovende og fandt ud af, at dens egenskaber stemte overens med deres forudsigelser. Dette arbejde kan føre til en revolution i måden, funktionelle materialer opdages på.

Machine learning er et kraftfuldt værktøj, der gør det muligt for computere at lave forudsigelser om selv komplekse situationer, så længe algoritmerne er forsynet med tilstrækkelige eksempeldata. Dette er især nyttigt til komplicerede problemer inden for materialevidenskab, som at designe molekyler til organiske solceller, som kan afhænge af en lang række faktorer og ukendte molekylære strukturer. Det ville tage mennesker år at gennemsøge dataene for at finde de underliggende mønstre - og endnu længere tid at teste alle de mulige kandidatkombinationer af donorpolymerer og acceptormolekyler, der udgør en organisk solcelle. Dermed, fremskridtene med at forbedre effektiviteten af ​​solceller for at være konkurrencedygtige i området for vedvarende energi har været langsomme.

Nu, forskere ved Osaka University brugte maskinlæring til at screene hundredtusindvis af donor:acceptor-par baseret på en algoritme trænet med data fra tidligere offentliggjorte eksperimentelle undersøgelser. At prøve alle mulige kombinationer af 382 donormolekyler og 526 acceptormolekyler resulterede i 200, 932 par, der blev virtuelt testet ved at forudsige deres energikonverteringseffektivitet.

"Ved at basere konstruktionen af ​​vores maskinlænede model på et eksperimentelt datasæt forbedrede forudsigelsesnøjagtigheden drastisk, " siger førsteforfatter Kakaraparthi Kranthiraja.

For at verificere denne metode, en af ​​de polymerer, der forventes at have høj effektivitet, blev syntetiseret i laboratoriet og testet. Dets egenskaber blev fundet i overensstemmelse med forudsigelser, hvilket gav forskerne mere tillid til deres tilgang.

"Dette projekt kan bidrage ikke kun til udviklingen af ​​højeffektive organiske solceller, men kan også tilpasses materialeinformatik af andre funktionelle materialer, " siger seniorforfatter Akinori Saeki.

Vi ser muligvis denne type maskinlæring, hvor en algoritme hurtigt kan screene tusinder eller måske endda millioner af kandidatmolekyler baseret på maskinlæringsforudsigelser, anvendes på andre områder, såsom katalysatorer og funktionelle polymerer.