Hấp thụ ánh nắng mặt trời bằng trí tuệ nhân tạo
bởi Joseph E. Harmon, Phòng thí nghiệm Quốc gia Argonne
Các phương pháp học máy đang được phát triển tại Argonne để thúc đẩy nghiên cứu năng lượng mặt trời với perovskites. Nhà cung cấp hình ảnh: Maria Chan / Phòng thí nghiệm quốc gia Argonne
Mặt trời liên tục truyền hàng nghìn tỷ watt năng lượng cho Trái đất. Nó sẽ làm như vậy trong hàng tỷ năm nữa. Tuy nhiên, chúng ta mới chỉ bắt đầu khai thác nguồn năng lượng tái tạo dồi dào đó với chi phí hợp lý.
Chất hấp thụ năng lượng mặt trời là một vật liệu được sử dụng để chuyển đổi năng lượng này thành nhiệt hoặc điện. Maria Chan, một nhà khoa học tại Phòng thí nghiệm Quốc gia Argonne của Bộ Năng lượng Hoa Kỳ (DOE), đã phát triển một phương pháp học máy để sàng lọc hàng nghìn hợp chất làm chất hấp thụ năng lượng mặt trời. Đồng tác giả của cô trong dự án này là Arun Mannodi-Kanakkithodi, một cựu postdoc Argonne hiện là trợ lý giáo sư tại Đại học Purdue.
Ông Chan cho biết: “Theo một nghiên cứu gần đây của DOE, đến năm 2035, năng lượng mặt trời có thể cung cấp cho 40% lượng điện của quốc gia. "Và nó có thể giúp khử cacbon trong lưới điện và cung cấp nhiều việc làm mới."
Chan và Mannodi-Kanakkithodi đang đặt cược rằng máy học sẽ đóng một vai trò quan trọng trong việc hiện thực hóa mục tiêu cao cả đó. Một dạng trí tuệ nhân tạo (AI), máy học sử dụng sự kết hợp của các tập dữ liệu lớn và các thuật toán để bắt chước cách học của con người. Nó học hỏi từ đào tạo với dữ liệu mẫu và kinh nghiệm trong quá khứ để đưa ra dự đoán tốt hơn bao giờ hết.
Vào thời của Thomas Edison, các nhà khoa học đã khám phá ra những vật liệu mới bằng quá trình thử nghiệm và sai lầm với nhiều ứng cử viên khác nhau cho đến khi một ứng viên thành công. Trong vài thập kỷ qua, họ cũng đã dựa vào các phép tính tốn nhiều công sức đòi hỏi hàng nghìn giờ để dự đoán các đặc tính của vật liệu. Giờ đây, họ có thể tắt cả hai quy trình khám phá bằng cách gọi máy học.
Hiện tại, chất hấp thụ chính trong pin mặt trời là silicon hoặc cadmium telluride. Những tế bào như vậy ngày nay đã trở nên phổ biến. Nhưng chúng vẫn khá đắt và tốn nhiều năng lượng để sản xuất.
Nhóm nghiên cứu đã sử dụng phương pháp học máy của họ để đánh giá các đặc tính năng lượng mặt trời của một loại vật liệu được gọi là perovskite halogenua. Trong thập kỷ qua, nhiều nhà nghiên cứu đã nghiên cứu perovskites vì hiệu quả đáng kể của chúng trong việc chuyển đổi ánh sáng mặt trời thành điện năng. Họ cũng đưa ra triển vọng về chi phí và năng lượng đầu vào thấp hơn nhiều cho việc chuẩn bị nguyên liệu và xây dựng tế bào.
Chan nói: “Không giống như silicon hoặc cadimi, các biến thể có thể có của halogenua kết hợp với perovskites là không giới hạn. "Do đó, nhu cầu cấp thiết là phải phát triển một phương pháp có thể thu hẹp các ứng viên triển vọng xuống một con số có thể quản lý được. Vì vậy, máy học là một công cụ hoàn hảo."
Nhóm nghiên cứu đã đào tạo phương pháp của họ với dữ liệu cho vài trăm chế phẩm perovskite halogenua, sau đó áp dụng nó cho hơn 18.000 chế phẩm làm trường hợp thử nghiệm. Phương pháp đánh giá các chế phẩm này về các đặc tính chính như tính ổn định, khả năng hấp thụ ánh sáng mặt trời, cấu trúc không dễ bị vỡ do khuyết tật, v.v. Các tính toán phù hợp tốt với dữ liệu liên quan trong các tài liệu khoa học. Ngoài ra, những phát hiện đã giảm số lượng các sáng tác đáng được nghiên cứu thêm xuống còn khoảng 400.
Chan cho biết: “Danh sách ứng cử viên của chúng tôi có những hợp chất đã được nghiên cứu, những hợp chất chưa ai từng nghiên cứu, và thậm chí cả những hợp chất không nằm trong số 18.000 ban đầu. "Vì vậy, chúng tôi rất vui mừng về điều đó."
Bước tiếp theo sẽ là kiểm tra các dự đoán bằng cách sử dụng các thí nghiệm. Kịch bản lý tưởng sẽ là sử dụng một phòng thí nghiệm khám phá tự trị, chẳng hạn như Polybot tại Trung tâm Vật liệu nano (CNM) của Argonne, một cơ sở sử dụng của Văn phòng Khoa học DOE. Polybot kết hợp sức mạnh của robot với AI để thúc đẩy khám phá khoa học mà không cần hoặc không có sự can thiệp của con người.
Bằng cách sử dụng thử nghiệm tự động để tổng hợp, mô tả đặc điểm và kiểm tra những gì tốt nhất trong số vài trăm ứng cử viên chính của họ, Chan và nhóm của cô dự đoán rằng họ cũng có thể cải thiện phương pháp học máy hiện tại.
Chan nói: “Chúng ta đang thực sự ở trong một kỷ nguyên mới của việc áp dụng AI và tính toán hiệu suất cao vào việc khám phá vật liệu. "Bên cạnh pin mặt trời, phương pháp thiết kế của chúng tôi có thể áp dụng cho đèn LED và cảm biến hồng ngoại."
Nghiên cứu này được báo cáo trong một bài báo trên Tạp chí Năng lượng & Khoa học Môi trường.
