Model brzog učenja za strojeve ubrzat će proizvodnju čiste energije

istraživači u ARC Centru izvrsnosti u Exciton Science stvorili su novu vrstu modela strojnog učenja za predviđanje učinkovitosti pretvorbe snage (PCE) materijala koji se mogu koristiti u organskim solarnim ćelijama sljedeće generacije, uključujući i "virtualne" spojeve.

Model brzog učenja za strojeve ubrzat će proizvodnju čiste energije Unsplash
22. 2. 2021

Za razliku od nekih dugotrajnih i složenih modela, novi je model brza i jednostavna metoda pretraživanja i analize, a kôd je besplatan za sve znanstvenike i inženjere.

Ključ za razvoj učinkovitijeg i korisnijeg modela zamjena je kompliciranih i računski skupih parametara koji zahtijevaju kvantno-mehaničke izračune jednostavnijim i kemijski razumljivim deskriptorima potpisa molekula koji se analiziraju. Oni pružaju važne podatke o najznačajnijim kemijskim dijelovima u materijalima koji utječu na PCE generirajući informacije. Tada se može koristiti za razvoj poboljšanih materijala.

Novi pristup mogao bi dramatično ubrzati razvoj učinkovitijih solarnih ćelija kada je potražnja za obnovljivim izvorima energije i njihova važnost u smanjenju emisija ugljika značajnija nego ikad. Rezultati su objavljeni u časopisu Nature Computational Materials.

Nakon desetljeća korištenja silicija, koji je relativno skup i nedovoljno fleksibilan, više se pažnje posvećuje organskim fotonaponskim ćelijama (OPV), jeftinijim u proizvodnji, svestranijim i lakšim za recikliranje.

Glavni problem je razvrstavanje ogromnog volumena potencijalno prikladnih kemijskih spojeva koji se mogu sintetizirati (prilagoditi znanstvenicima) za upotrebu u OPV-ima. Istraživači su i prije pokušali riješiti ovaj problem pomoću strojnog učenja. Međutim, mnogi od ovih modela oduzimali su vrijeme, zahtijevali su značajnu računalnu snagu i bili su teški za reprodukciju. Što je najvažnije, nisu pružili dovoljno smjernica eksperimentalnim znanstvenicima koji su radili na novim uređajima za zelenu energiju.

Rad koji su vodili dr. Nastaran Meftahi i prof. Salvi Russo sa Sveučilišta RMIT, zajedno s timom prof. Uda Bacha sa Sveučilišta Monash, uspješno je riješio mnoge od ovih problema.

Većina ostalih modela koristi elektroničke deskriptore koji su složeni i računski intenzivni i prkose kemijskoj interpretaciji. To znači da eksperimentalni kemičar ili znanstvenik ne može crpiti ideje iz ovih modela za dizajn i sintezu laboratorijskih materijala. Suradnja znanstvenika dovela je do stvaranja programa BioModeller, koji je stvorio osnovu za novi model otvorenog koda. Koristeći ga, istraživači su dobili pouzdane i predvidljive rezultate i, između ostalog, kvantificirali odnos između molekularnih potpisa koji se proučavaju i učinkovitosti budućih OPV uređaja.

Koristimo kolačiće u svrhu pružanja boljeg korisničkog iskustva na stranici. Ukoliko nastavite s pregledavanjem ove stranice pretpostavit ćemo da se slažete s tim.