Maskinlæring fremskynder opdagelsen af ​​solcelleperovskiter

Et EPFL-forskningsprojekt har udviklet en metode baseret på maskinlæring til hurtigt og præcist at søge i store databaser, hvilket fører til opdagelsen af ​​14 nye materialer til solceller.

Efterhånden som vi integrerer solenergi i vores dagligdag, er det blevet vigtigt at finde materialer, der effektivt omdanner sollys til elektricitet. Mens silicium hidtil har domineret solteknologi, er der også en støt vending mod materialer kendt som perovskiter på grund af deres lavere omkostninger og enklere fremstillingsprocesser.

Udfordringen har dog været at finde perovskitter med det rigtige "båndgab":et specifikt energiområde, der bestemmer, hvor effektivt et materiale kan absorbere sollys og omdanne det til elektricitet uden at miste det som varme.

Nu har et EPFL-forskningsprojekt ledet af Haiyuan Wang og Alfredo Pasquarello, med samarbejdspartnere i Shanghai og i Louvain-La-Neuve, udviklet en metode, der kombinerer avancerede beregningsteknikker med maskinlæring for at søge efter optimale perovskitmaterialer til solcelleapplikationer. Tilgangen kunne føre til mere effektive og billigere solpaneler, der ændrer solcelleindustriens standarder.

Artiklen er offentliggjort i Journal of the American Chemical Society .

Forskerne begyndte med at udvikle et omfattende datasæt af høj kvalitet med båndgap-værdier for 246 perovskitmaterialer. Datasættet blev konstrueret ved hjælp af avancerede beregninger baseret på hybridfunktioner - en sofistikeret type beregning, der inkluderer elektronudveksling og forbedrer den mere konventionelle Density Functional Theory (DFT). DFT er en kvantemekanisk modelleringsmetode, der bruges til at undersøge den elektroniske struktur af mange-kropssystemer som atomer og molekyler.

De anvendte hybridfunktioner var "dielektrisk-afhængige", hvilket betyder, at de inkorporerede materialets elektroniske polarisationsegenskaber i deres beregninger. Dette forbedrede væsentligt nøjagtigheden af ​​båndgab-forudsigelserne sammenlignet med standard DFT, hvilket er særligt vigtigt for materialer som perovskiter, hvor elektroninteraktion og polarisationseffekter er afgørende for deres elektroniske egenskaber.

Det resulterende datasæt gav et robust grundlag for at identificere perovskitmaterialer med optimale elektroniske egenskaber til applikationer såsom fotovoltaik, hvor præcis kontrol over båndgab-værdier er afgørende for at maksimere effektiviteten.

Holdet brugte derefter båndgab-beregningerne til at udvikle en maskinlæringsmodel trænet på de 246 perovskiter og anvendte den på en database med omkring 15.000 kandidatmaterialer til solceller, hvilket indsnævrede søgningen til de mest lovende perovskiter baseret på deres forudsagte bånd huller og stabilitet. Modellen identificerede 14 helt nye perovskitter, alle med båndgab og høj nok energisk stabilitet til at gøre dem til fremragende kandidater til højeffektive solceller.

Arbejdet viser, at brug af maskinlæring til at strømline opdagelsen og valideringen af ​​nye fotovoltaiske materialer kan sænke omkostningerne og i høj grad fremskynde adoptionen af ​​solenergi, reducere vores afhængighed af fossile brændstoffer og hjælpe i den globale indsats for at bekæmpe klimaændringer.

Flere oplysninger: Haiyuan Wang et al., data af høj kvalitet, der muliggør universalitet af båndgab-beskrivelse og opdagelse af fotovoltaiske perovskiter, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.4c03507

Journaloplysninger: Tidsskrift for American Chemical Society

Leveret af Ecole Polytechnique Federale de Lausanne