De zon zendt continu biljoenen watt aan energie naar de aarde. Dat zal nog miljarden jaren zo blijven. Toch zijn we nog maar net begonnen met het aanboren van die overvloedige, hernieuwbare energiebron tegen betaalbare kosten.

Zonne-absorbers zijn een materiaal dat wordt gebruikt om deze energie om te zetten in warmte of elektriciteit. Maria Chan, een wetenschapper in het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), heeft een machinale leermethode ontwikkeld voor het screenen van vele duizenden verbindingen als zonneabsorbeerders. Haar co-auteur van dit project was Arun Mannodi-Kanakkithodi, een voormalige postdoc in Argonne die nu assistent-professor is aan de Purdue University.

"Volgens een recente DOE-studie zou zonne-energie tegen 2035 40% van de elektriciteit van het land van stroom kunnen voorzien", zei Chan. "En het zou kunnen helpen om het elektriciteitsnet koolstofarm te maken en voor veel nieuwe banen te zorgen."

Chan en Mannodi-Kanakkithodi wedden dat machine learning een cruciale rol zal spelen bij het realiseren van dat verheven doel. Machine learning, een vorm van kunstmatige intelligentie (AI), gebruikt een combinatie van grote datasets en algoritmen om de manier waarop mensen leren na te bootsen. Het leert van training met voorbeeldgegevens en ervaringen uit het verleden om steeds betere voorspellingen te doen.

In de dagen van Thomas Edison ontdekten wetenschappers nieuwe materialen door het moeizame proces van vallen en opstaan ​​met veel verschillende kandidaten totdat er één werkt. In de afgelopen decennia hebben ze ook vertrouwd op arbeidsintensieve berekeningen die wel duizend uur nodig hadden om de eigenschappen van een materiaal te voorspellen. Nu kunnen ze beide ontdekkingsprocessen verkorten door een beroep te doen op machine learning.

Momenteel is de primaire absorber in zonnecellen ofwel silicium ofwel cadmiumtelluride. Dergelijke cellen zijn nu gemeengoed. Maar ze blijven vrij duur en energie-intensief om te produceren.

Het team gebruikte hun machinale leermethode om de zonne-energie-eigenschappen te beoordelen van een materiaalklasse die halide-perovskieten wordt genoemd. In het afgelopen decennium hebben veel onderzoekers perovskieten bestudeerd vanwege hun opmerkelijke efficiëntie bij het omzetten van zonlicht in elektriciteit. Ze bieden ook het vooruitzicht op veel lagere kosten en energie-input voor materiaalvoorbereiding en celbouw.

"In tegenstelling tot silicium of cadmiumtelluride, zijn de mogelijke variaties van halogeniden in combinatie met perovskieten in wezen onbeperkt", zei Chan. "Er is dus dringend behoefte aan het ontwikkelen van een methode die de kansrijke kandidaten kan verkleinen tot een beheersbaar aantal. Daarvoor is machine learning een perfect hulpmiddel."

Het team trainde hun methode met gegevens voor een paar honderd halide-perovskiet-composities en paste het vervolgens toe op meer dan 18.000 composities als een testcase. De methode evalueerde deze samenstellingen op belangrijke eigenschappen zoals stabiliteit, het vermogen om zonlicht te absorberen, een structuur die niet gemakkelijk breekt als gevolg van defecten, en meer. De berekeningen kwamen goed overeen met relevante gegevens in de wetenschappelijke literatuur. Ook verminderden de bevindingen het aantal composities dat verder onderzoek waard was tot ongeveer 400.

"Onze kandidatenlijst bevat verbindingen die al zijn bestudeerd, verbindingen die nog nooit iemand heeft bestudeerd, en zelfs verbindingen die niet tot de oorspronkelijke 18.000 behoorden," zei Chan. "Dus daar zijn we erg enthousiast over."

De volgende stap zal zijn om de voorspellingen te testen met behulp van experimenten. Het ideale scenario zou zijn om een ​​autonoom onderzoekslaboratorium te gebruiken, zoals Polybot in Argonne's Center for Nanoscale Materials (CNM), een DOE Office of Science gebruikersfaciliteit. Polybot combineert de kracht van robotica met AI om wetenschappelijke ontdekkingen te stimuleren met weinig of geen menselijke tussenkomst.

Door autonome experimenten te gebruiken om het beste van hun paar honderd hoofdkandidaten te synthetiseren, karakteriseren en testen, verwachten Chan en haar team dat ze ook de huidige machine learning-methode kunnen verbeteren.

"We bevinden ons echt in een nieuw tijdperk waarin AI en high-performance computing worden toegepast op het ontdekken van materialen", zegt Chan. "Naast zonnecellen zou onze ontwerpmethodologie ook van toepassing kunnen zijn op LED's en infraroodsensoren."

Dit onderzoek is gerapporteerd in een artikel in Energy &Environmental Science . + Verder verkennen

Onthulling van de patronen van de natuur op atomaire schaal in levende kleuren