De wereldwijde zoektocht van onderzoekers naar betere, efficiëntere materialen voor de zonnepanelen van morgen is meestal traag en nauwgezet. Onderzoekers moeten doorgaans laboratoriummonsters produceren - die vaak zijn samengesteld uit meerdere lagen van verschillende materialen die aan elkaar zijn gehecht - voor uitgebreide tests.

Nutsvoorzieningen, een team van MIT en andere instellingen heeft een manier bedacht om zulke dure en tijdrovende fabricage en testen te omzeilen, waardoor een snelle screening van veel meer variaties mogelijk is dan met de traditionele benadering praktisch zou zijn.

Het nieuwe proces kan niet alleen de zoektocht naar nieuwe formuleringen versnellen, maar ook nauwkeuriger hun prestaties voorspellen, legt Rachel Kurchin uit, een MIT-afgestudeerde student en co-auteur van een paper waarin het nieuwe proces wordt beschreven dat deze week in het tijdschrift verschijnt Joule . Traditionele methoden "vereisen vaak dat u een gespecialiseerd monster maakt, maar dat verschilt van een werkelijke cel en is mogelijk niet volledig representatief voor de prestaties van een echte zonnecel, ze zegt.

Bijvoorbeeld, typische testmethoden tonen het gedrag van de "meerderheidsdragers, " de overheersende deeltjes of vacatures waarvan de beweging een elektrische stroom door een materiaal veroorzaakt. Maar in het geval van fotovoltaïsche (PV) materialen, Kurchin legt uit, het zijn eigenlijk de minderheidsdragers - die veel minder overvloedig in het materiaal aanwezig zijn - die de beperkende factor zijn in de algehele efficiëntie van een apparaat, en die zijn veel moeilijker te meten. In aanvulling, typische procedures meten alleen de stroomstroom in één reeks richtingen - binnen het vlak van een dunfilmmateriaal - terwijl het de stroom omhoog en omlaag is die feitelijk wordt gebruikt in een werkende zonnecel. In veel materialen, die stroom kan "drastisch anders zijn, " waardoor het van cruciaal belang is om te begrijpen om het materiaal goed te karakteriseren, ze zegt.

"Historisch, het tempo van de ontwikkeling van nieuwe materialen is traag - meestal 10 tot 25 jaar, " zegt Tonio Buonassisi, een universitair hoofddocent werktuigbouwkunde aan het MIT en senior auteur van het papier. "Een van de dingen die het proces traag maken, is de lange tijd die nodig is om problemen met prototypen in een vroeg stadium op te lossen, "zegt hij. "Het uitvoeren van karakterisering kost tijd - soms weken of maanden - en de metingen hebben niet altijd de nodige gevoeligheid om de oorzaak van eventuele problemen te bepalen."

Dus, Buonassisi zegt, "de conclusie is, als we het tempo van de ontwikkeling van nieuwe materialen willen versnellen, het is absoluut noodzakelijk dat we snellere en nauwkeurigere manieren vinden om problemen met onze vroege materialen en prototype-apparaten op te lossen." En dat is wat het team nu heeft bereikt. Ze hebben een reeks hulpmiddelen ontwikkeld die kunnen worden gebruikt om nauwkeurige, snelle beoordelingen van voorgestelde materialen, met behulp van een reeks relatief eenvoudige laboratoriumtests gecombineerd met computermodellering van de fysieke eigenschappen van het materiaal zelf, evenals aanvullende modellering op basis van een statistische methode die bekend staat als Bayesiaanse gevolgtrekking.

Het systeem omvat het maken van een eenvoudig testapparaat, dan het meten van de huidige output onder verschillende verlichtingsniveaus en verschillende spanningen, om precies te kwantificeren hoe de prestaties variëren onder deze veranderende omstandigheden. Deze waarden worden vervolgens gebruikt om het statistische model te verfijnen.

"Nadat we veel stroom-spanningsmetingen [van het monster] bij verschillende temperaturen en verlichtingsintensiteiten hebben verkregen, we moeten uitzoeken welke combinatie van materialen en interfacevariabelen het beste past bij onze reeks metingen, Buonassisi legt uit. "Door elke parameter weer te geven als een kansverdeling, kunnen we rekening houden met experimentele onzekerheid, en het stelt ons ook in staat om uit te zoeken welke parameters covariëren."

Met het Bayesiaanse gevolgtrekkingsproces kunnen de schattingen van elke parameter worden bijgewerkt op basis van elke nieuwe meting, de schattingen geleidelijk verfijnen en steeds dichter bij het precieze antwoord komen, hij zegt.

Bij het zoeken naar een combinatie van materialen voor een bepaald soort toepassing, Kurchin zegt, "We hebben al deze materiaaleigenschappen en interface-eigenschappen ingevoerd, en het zal u vertellen hoe de uitvoer eruit zal zien."

Het systeem is zo eenvoudig dat zelfs voor materialen die in het laboratorium minder goed zijn gekarakteriseerd, "we kunnen dit nog steeds zonder enorme computeroverhead uitvoeren." En, Kurchin zegt, het gebruik van de rekentools om mogelijke materialen te screenen zal steeds nuttiger worden omdat "labapparatuur duurder is geworden, en computers zijn goedkoper geworden. Met deze methode kunt u uw gebruik van ingewikkelde laboratoriumapparatuur minimaliseren."

De basismethodiek, Buonassisi zegt, kan worden toegepast op een breed scala aan verschillende materiaalevaluaties, niet alleen zonnecellen - in feite, het kan van toepassing zijn op elk systeem dat een computermodel omvat voor de uitvoer van een experimentele meting. "Bijvoorbeeld, deze aanpak blinkt uit in het uitzoeken welk materiaal of welke interface-eigenschap de prestaties zou kunnen beperken, zelfs voor complexe stapels materialen zoals batterijen, thermo-elektrische apparaten, of composieten die worden gebruikt in tennisschoenen of vliegtuigvleugels." En, hij voegt toe, "Het is vooral nuttig voor onderzoek in een vroeg stadium, waar veel dingen tegelijk mis kunnen gaan."

Vooruit gaan, hij zegt, "onze visie is om deze snelle karakteriseringsmethode te koppelen aan de snellere materialen en apparaatsynthesemethoden die we in ons laboratorium hebben ontwikkeld." uiteindelijk, hij zegt, "Ik heb goede hoop dat de combinatie van high-throughput computing, automatisering, en machine learning zal ons helpen de ontwikkeling van nieuwe materialen met meer dan een factor vijf te versnellen. Dit kan transformerend zijn, het brengen van de tijdlijnen voor nieuwe materiaalwetenschappelijke ontdekkingen van 20 jaar tot ongeveer drie tot vijf jaar."