Wetenschappers gebruiken machine learning om de ontwikkeling van materialen te versnellen die energie uit zonlicht kunnen benutten.

Het benutten van zonlicht is veelbelovend als middel om schone hernieuwbare energie op te wekken voor technologieën van de volgende generatie, van zonne-brandstofcellen tot waterbehandelingssystemen. Dergelijke technologieën vereisen inzicht in wat er gebeurt als materialen en moleculen zonlicht absorberen.

Computersimulaties kunnen ons helpen de interacties tussen licht en materie beter te begrijpen. Echter, modelleermaterialen met meerdere soorten structuren, zoals vaste/water-interfaces, is een complexe taak. Maar nu, een onderzoeksteam van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) heeft een manier gevonden om deze modelleringstaken te vereenvoudigen.

Met behulp van een datagedreven aanpak op basis van machine learning, het team was in staat om de oplossing van de kwantummechanische vergelijkingen te vereenvoudigen die beschrijven hoe licht wordt geabsorbeerd door een vaste stof, vloeistof of molecuul. De resultaten van het onderzoek zijn onlangs gepubliceerd in Chemische Wetenschappen.

"In het begin is het zeker niet intuïtief, maar het blijkt dat machine learning-technieken voor heel andere doeleinden kunnen worden gebruikt dan het herkennen van afbeeldingen of het voorspellen van consumentenbehoeften, " zei Marco Govoni, co-auteur van de studie en assistent-wetenschapper in de Materials Science-divisie van Argonne.

De truc? Erkennend dat niet alle termen van de kwantummechanische vergelijkingen op dezelfde manier berekend hoeven te worden. In feite, sommige termen kunnen worden berekend - of geleerd - uit eenvoudigere hoeveelheden, opmerkelijk versnellen van de algehele simulatie.

"Een belangrijke realisatie van ons werk was om te begrijpen dat we informatie die voor een bepaalde vaste stof of vloeistof is verkregen, konden hergebruiken zonder berekeningen voor vergelijkbare systemen te herhalen. we kwamen met een soort recyclingprotocol om de complexiteit van berekeningen die nodig zijn om absorptie van licht door materialen en moleculen te simuleren, te verminderen, " zei Sijia Dong, die een postdoctoraal onderzoeker was bij Argonne toen het onderzoek werd uitgevoerd en nu assistent-professor is aan de Northeastern University.

Deze protocollen kunnen leiden tot grote besparingen als het gaat om simulaties die vele uren of zelfs dagen kunnen duren op high-performance computerarchitecturen.

In feite, Dankzij de techniek die het team bedacht, konden simulaties van absorptiespectra van complexe systemen 10 tot 200 keer sneller verlopen. Deze systemen bevatten vaste/vloeibare grensvlakken zoals die tussen water en een foto-elektrode (een materiaal dat zonlicht in elektriciteit kan veranderen).

"Onze studie gaf ook inzicht in hoe de onderliggende theorie die in de simulaties wordt gebruikt, kan worden verbeterd en aangepast, " zei Giulia Galli, senior wetenschapper in de Materials Science-divisie van Argonne en adjunct-directeur voor strategie bij Argonne's Advanced Materials for Energy-Water Systems (AMEWS) Center. Galli is ook Liew Family Professor of Molecular Engineering en professor in de chemie aan de Universiteit van Chicago en de directeur van het Midwest Integrated Center for Computational Materials (MICCoM) met het hoofdkantoor in Argonne.

"De impact van onze machine learning-oefening bleek verder reikend dan verwacht; de datagestuurde aanpak die we hebben aangenomen, gaf ons nieuwe manieren om licht-materie-interactie te bestuderen in nog realistischere en complexere systemen dan degene die we begonnen te bestuderen , ’ voegde Galli eraan toe.

Het team kijkt nu naar het toepassen van deze snelkoppelingen en recyclingprotocollen op elektronische structuurproblemen, niet alleen met betrekking tot lichtabsorptie, maar ook voor lichtmanipulatie voor kwantumdetectietoepassingen.