Wetenschap
Machine learning versnelt de ontdekking van perovskieten op zonnecellen
Nu we zonne-energie in ons dagelijks leven integreren, is het belangrijk geworden om materialen te vinden die zonlicht efficiënt omzetten in elektriciteit. Hoewel silicium tot nu toe de zonnetechnologie heeft gedomineerd, is er ook een gestage wending naar materialen die bekend staan als perovskieten vanwege hun lagere kosten en eenvoudigere productieprocessen.
De uitdaging was echter om perovskieten te vinden met de juiste ‘bandkloof’:een specifiek energiebereik dat bepaalt hoe efficiënt een materiaal zonlicht kan absorberen en omzetten in elektriciteit zonder het als warmte te verliezen.
Nu heeft een EPFL-onderzoeksproject onder leiding van Haiyuan Wang en Alfredo Pasquarello, met medewerkers in Shanghai en Louvain-La-Neuve, een methode ontwikkeld die geavanceerde computationele technieken combineert met machinaal leren om te zoeken naar optimale perovskietmaterialen voor fotovoltaïsche toepassingen. De aanpak zou kunnen leiden tot efficiëntere en goedkopere zonnepanelen, waardoor de normen voor de zonne-energiesector zouden worden getransformeerd.
Het artikel is gepubliceerd in het Journal of the American Chemical Society .
De onderzoekers begonnen met het ontwikkelen van een uitgebreide en hoogwaardige dataset van bandafstandwaarden voor 246 perovskietmaterialen. De dataset is samengesteld met behulp van geavanceerde berekeningen op basis van hybride functionaliteiten – een geavanceerd type berekening dat elektronenuitwisseling omvat en een verbetering is van de meer conventionele Density Functional Theory (DFT). DFT is een kwantummechanische modelleringsmethode die wordt gebruikt om de elektronische structuur van systemen met veel lichamen, zoals atomen en moleculen, te onderzoeken.
De gebruikte hybride functionaliteiten waren 'diëlektrisch-afhankelijk', wat betekent dat ze de elektronische polarisatie-eigenschappen van het materiaal in hun berekeningen verwerkten. Dit verbeterde de nauwkeurigheid van de bandafstandsvoorspellingen aanzienlijk in vergelijking met standaard DFT, wat vooral belangrijk is voor materialen zoals perovskieten, waar elektroneninteractie en polarisatie-effecten cruciaal zijn voor hun elektronische eigenschappen.
De resulterende dataset vormde een robuuste basis voor het identificeren van perovskietmaterialen met optimale elektronische eigenschappen voor toepassingen zoals fotovoltaïsche zonne-energie, waarbij nauwkeurige controle over bandafstandswaarden essentieel is voor het maximaliseren van de efficiëntie.
Het team gebruikte vervolgens de bandgap-berekeningen om een machinaal leermodel te ontwikkelen dat was getraind op de 246 perovskieten, en paste dit toe op een database van ongeveer 15.000 kandidaatmaterialen voor zonnecellen, waarbij de zoektocht werd beperkt tot de meest veelbelovende perovskieten op basis van hun voorspelde band. gaten en stabiliteit. Het model identificeerde 14 volledig nieuwe perovskieten, allemaal met bandafstanden en een voldoende hoge energetische stabiliteit om ze uitstekende kandidaten te maken voor hoogefficiënte zonnecellen.
Het werk laat zien dat het gebruik van machinaal leren om de ontdekking en validatie van nieuwe fotovoltaïsche materialen te stroomlijnen de kosten kan verlagen en de adoptie van zonne-energie aanzienlijk kan versnellen, waardoor onze afhankelijkheid van fossiele brandstoffen wordt verminderd en kan worden bijgedragen aan de mondiale inspanningen om de klimaatverandering te bestrijden.