Zonnecellen zullen een sleutelrol spelen bij de verschuiving naar een duurzame economie. Organische fotovoltaïsche zonnecellen (OPV's) zijn een veelbelovende klasse van zonnecellen, op basis van een lichtabsorberend organisch molecuul gecombineerd met een halfgeleidend polymeer.

OPV's zijn gemaakt van goedkoop, lichtgewicht materialen, en profiteer van een goede veiligheid en een gemakkelijke productie. Echter, hun stroomconversie-efficiëntie (PCE's) - het vermogen om licht om te zetten in elektriciteit - is nog steeds te laag voor volledige commercialisering.

De PCE is afhankelijk van zowel de organische als de polymeerlaag. traditioneel, scheikundigen hebben met vallen en opstaan ​​geëxperimenteerd met verschillende combinaties hiervan, wat veel tijd en moeite met zich meebrengt.

Nutsvoorzieningen, een team van onderzoekers van de Universiteit van Osaka heeft computerkracht gebruikt om het zoeken naar goed op elkaar afgestemde zonnematerialen te automatiseren. In de toekomst, dit zou kunnen leiden tot veel efficiëntere apparaten. De studie werd gerapporteerd in de Journal of Physical Chemistry Letters .

"De keuze van het polymeer beïnvloedt verschillende eigenschappen, zoals kortsluitstroom, die direct de PCE bepalen, " studie eerste auteur Shinji Nagasawa legt uit. "Echter, er is geen gemakkelijke manier om polymeren met verbeterde eigenschappen te ontwerpen. Traditionele chemische kennis is niet genoeg. In plaats daarvan, we gebruikten kunstmatige intelligentie om het ontwerpproces te begeleiden."

Informatica kan betekenis geven aan grote, complexe datasets door statistische trends te detecteren die menselijke experts ontgaan. Het team verzamelde gegevens over 1, 200 OPV's uit ongeveer 500 onderzoeken. Met behulp van Random Forest machine learning, bouwden ze een model dat de band gap combineerde, molecuulgewicht, en chemische structuur van deze eerdere OPV's, samen met hun PCE, om de efficiëntie van potentiële nieuwe apparaten te voorspellen.

Random Forest ontdekte een verbeterde correlatie tussen de eigenschappen van de materialen en hun werkelijke prestaties in OPV's. Om dit te exploiteren, het model werd gebruikt om potentiële polymeren automatisch te "screenen" op hun theoretische PCE. De lijst met topkandidaten werd vervolgens ingekort op basis van chemische intuïtie over wat er in de praktijk kan worden gesynthetiseerd.

Deze strategie bracht het team ertoe een nieuwe, niet eerder getest polymeer. In het geval, een praktische OPV op basis van deze eerste poging bleek minder efficiënt dan verwacht. Echter, het model verschafte nuttige inzichten in de relatie tussen structuur en eigendom. De voorspellingen kunnen worden verbeterd door meer gegevens op te nemen, zoals de oplosbaarheid van de polymeren in water, of de regelmaat van hun ruggengraat.

"Machineleren kan de ontwikkeling van zonnecellen enorm versnellen, omdat het onmiddellijk resultaten voorspelt die maanden in het laboratorium zouden vergen, " zegt co-auteur Akinori Saeki. "Het is geen eenvoudige vervanging voor de menselijke factor, maar het kan cruciale ondersteuning bieden wanneer moleculaire ontwerpers moeten kiezen welke wegen ze willen verkennen."