Fotovoltaïsche zonnecellen zijn een veelbelovend alternatief voor fossiele brandstoffen, maar ze moeten veel efficiënter zijn voordat ze op grote schaal kunnen worden gebruikt. Wetenschappers hebben de huidige supercomputerkracht tot het uiterste gedreven op zoek naar die verbeterde efficiëntie, maar de komst van exascale computing in de komende jaren zal hen in staat stellen deze zoektocht naar een hoger niveau te tillen.

Tegen dit doel, onderzoekers van de Computational Research Division (CRD) van Berkeley Lab en het National Energy Research Scientific Computing Center (NERSC) werken samen met Carnegie Mellon en een aantal andere academische instellingen om zich voor te bereiden op het gebruik van de eerste exaschaalcomputer van het land volgend jaar om de zoektocht naar nieuwe , efficiëntere fotovoltaïsche zonnecelmaterialen. Het project combineert analytische simulatie met machine learning en datamining om nieuwe materialen te ontdekken.

De samenwerking maakt gebruik van software die is ontwikkeld door wetenschappers van Berkeley Lab om excitatie-eigenschappen in potentiële fotovoltaïsche zonnecelmaterialen te voorspellen. De software, BerkeleyGW, is een materiaalwetenschappelijk simulatiepakket dat de eigenschappen van materialen in aangeslagen toestand kan voorspellen, dat is hoe een materiaal reageert op een stimulerend middel zoals een foton dat erin komt. BerkeleyGW wordt beschouwd als een van de meest nauwkeurige kwantummechanische simulaties voor data-acquisitie.

"Hoewel de GW-berekeningsbenadering die in BerkeleyGW is geïmplementeerd, zeer nauwkeurig is, het werd vaak als duur beschouwd in termen van computertijd die nodig was om de code uit te voeren, " zegt Jack Deslippe, een NERSC-groepsleider en een hoofdontwikkelaar van de BerkeleyGW-code. “Voor deze samenwerking ons team heeft BerkeleyGW geoptimaliseerd zodat het niet alleen een nauwkeurige voorspellende tool is, maar ook schaalt naar topprestaties op moderne architecturen, waarmee onderzoekers tot enkele duizenden atomen kunnen analyseren - iets dat voorheen onmogelijk was."

Zonnecellen zetten fotonen van de zon om in elektriciteit door fotonen te absorberen en een stroom van elektronen op te wekken. Meestal wordt één foton omgezet in één elektron. De Carnegie Mellon-samenwerking is op zoek naar materialen die singlet-splijting kunnen ondergaan, een proces waarbij één door foto gegenereerd singlet-excitonfoton wordt omgezet in twee triplet-excitonen, het verhogen van de stroom die wordt vrijgegeven. Het doel van het onderzoek is om de zeldzame materialen te vinden die een enkele splitsing kunnen ondergaan om de efficiëntie van zonnecellen te verbeteren.

Proberen om dit soort materialen experimenteel te vinden is een onmogelijke taak - onderzoekers vergelijken het met het vinden van een speld in een hooiberg. "Maar we kunnen deze materiaaleigenschappen simuleren, berekening gebruiken om de mogelijkheden te screenen en te kiezen wat volgens ons de beste kandidaten zijn, stuur ze dan naar het lab om te testen, " zegt Mauro Del Ben, een CRD-onderzoeker die aan de BerkeleyGW-code heeft gewerkt. "Omdat we op zoek zijn naar aangeslagen toestanden in deze materialen, we hebben een nauwkeurigheidsniveau nodig dat verder gaat dan wat momenteel beschikbaar is, en dat is waar BerkeleyGW binnenkomt."

De rekenkosten zijn nog steeds hoog, maar het verbeteren van de codeprestaties kan de belasting helpen verminderen. Door parallellisatie te optimaliseren en versnellers zoals GPU's te benutten, BerkeleyGW kan in slechts een paar knooppunten berekeningen uitvoeren waarvoor voorheen duizenden knooppunten nodig waren. Het onderzoek wordt momenteel gedaan op de Theta-supercomputer van het Argonne National Laboratory, Cori bij NERSC, en top in het Oak Ridge National Laboratory, momenteel de krachtigste supercomputer ter wereld.

De eerste exascale-supercomputer zal naar verwachting in 2021 in het Argonne National Laboratory aankomen. Het Carnegie Mellon-team streeft ernaar de workflows te optimaliseren, zodat hun onderzoek klaar is voor gebruik op het nieuwe exascale-systeem.

Als het project slaagt, het kan worden gebruikt als een sjabloon voor elke vorm van machine learning, datagedreven ontdekking van nieuwe materialen op verschillende gebieden, een standaard zetten voor wat in de toekomst voor meer toepassingen kan worden gebruikt, zegt DelBen.