Các nhà nghiên cứu tại Đại học California, Đại học Kỹ thuật Davis đang sử dụng máy học để xác định vật liệu mới cho pin mặt trời hiệu suất cao. Bằng cách sử dụng các thử nghiệm thông lượng cao và các thuật toán dựa trên máy học, họ nhận thấy có thể dự báo hành vi động của vật liệu với độ chính xác rất cao mà không cần thực hiện nhiều thử nghiệm.
Tác phẩm được đăng trên trang bìa của tạp chí ACS Energy Letters số tháng 4 .
Marina Leite, phó giáo sư khoa học vật liệu và kỹ thuật tại UC Davis và là tác giả chính của bài báo cho biết perovskites lai là các phân tử hữu cơ-vô cơ đã nhận được rất nhiều sự chú ý trong 10 năm qua vì tiềm năng sử dụng chúng trong năng lượng tái tạo . Một số có hiệu quả tương đương với silicon để chế tạo pin mặt trời , nhưng chúng rẻ hơn và nhẹ hơn, có khả năng cho phép nhiều ứng dụng, bao gồm các thiết bị phát sáng.
Một thách thức chính trong lĩnh vực này là các thiết bị perovskite có xu hướng xuống cấp dễ dàng hơn silicon khi tiếp xúc với độ ẩm, oxy, ánh sáng, nhiệt và điện áp. Vấn đề là tìm ra loại perovskite nào kết hợp hiệu suất cao với khả năng phục hồi trước các điều kiện môi trường .
Perovskite có cấu trúc chung là ABX3, trong đó A là nhóm hữu cơ (gốc carbon) hoặc nhóm vô cơ, B là chì hoặc thiếc và X là halogenua (dựa trên clo, iốt hoặc flo hoặc kết hợp). Do đó, "chỉ riêng số lượng các kết hợp hóa học có thể xảy ra đã là rất lớn", Leite nói. Hơn nữa, chúng cần được đánh giá theo nhiều điều kiện môi trường, đơn lẻ và kết hợp, dẫn đến một không gian siêu tham số không thể khám phá bằng các phương pháp thử và sai thông thường.
Leite nói: “Không gian tham số hóa học là rất lớn. "Để kiểm tra tất cả chúng sẽ rất tốn thời gian và tẻ nhạt."
Thử nghiệm thông lượng cao và máy học
Là bước đầu tiên và quan trọng để giải quyết những thách thức này, Leite và các sinh viên tốt nghiệp Meghna Srivastava và Abigail Hering quyết định kiểm tra xem các thuật toán học máy có hiệu quả hay không khi kiểm tra và dự đoán tác động của độ ẩm đối với sự xuống cấp của vật liệu.
Srivastava và Hering đã xây dựng một hệ thống thông lượng cao, tự động để đo hiệu quả phát quang của năm màng perovskite khác nhau trong điều kiện của những ngày hè ở Sacramento. Họ có thể thu thập hơn 7.000 phép đo trong một tuần, tích lũy đủ dữ liệu cho một tập huấn luyện đáng tin cậy.
Họ đã sử dụng dữ liệu này để đào tạo ba thuật toán học máy khác nhau: mô hình hồi quy tuyến tính, mạng thần kinh và mô hình thống kê có tên SARIMAX. Họ so sánh dự đoán của các mô hình với kết quả vật lý đo được trong phòng thí nghiệm. Mô hình SARIMAX cho thấy hiệu suất tốt nhất với 90 phần trăm phù hợp với kết quả quan sát được trong khoảng thời gian hơn 50 giờ.
Leite cho biết: “Những kết quả này chứng minh rằng chúng ta có thể sử dụng máy học trong việc xác định các vật liệu ứng cử viên và các điều kiện phù hợp để ngăn chặn sự xuống cấp của perovskite”. Các bước tiếp theo sẽ là mở rộng các thí nghiệm để định lượng sự kết hợp của nhiều yếu tố môi trường.
Leite cho biết bản thân màng perovskite chỉ là một phần của tế bào quang điện hoàn chỉnh. Phương pháp học máy tương tự cũng có thể được sử dụng để dự báo hành vi của một thiết bị hoàn chỉnh.
"Mô hình của chúng tôi là duy nhất và tôi háo hức muốn xem các phép đo sắp tới. Hơn nữa, tôi rất tự hào về sự siêng năng của học sinh trong đại dịch", Leite nói.
Các tác giả khác của bài báo là Yu An và Juan-Pablo Correa-Baena, cả hai đều từ Georgia Tech.
