Модель машинного обучения ускорит производство чистой энергии


Исследователи из ARC Center of Excellence in Exciton Science создали новый тип модели машинного обучения для прогнозирования эффективности преобразования энергии (PCE, power-conversion efficiency) материалов, которые могут использоваться в органических солнечных элементах следующего поколения, включая «виртуальные» соединения, которые еще не существуют.

В отличие от некоторых трудоемких и сложных моделей, новая модель является быстрым, простым в использовании методом поиска и анализа, а код доступен бесплатно для всех ученых и инженеров.

Ключом к разработке более эффективной и удобной для пользователя модели была замена сложных и дорогостоящих в вычислительном отношении параметров, требующих квантово-механических расчетов, на более простые и химически интерпретируемые дескрипторы сигнатур анализируемых молекул. Они предоставляют важные данные о наиболее значимых химических фрагментах в материалах, которые влияют на PCE, генерируя информацию. В дальнейшем ее можно использовать для разработки улучшенных материалов.

Новый подход может помочь значительно ускорить процесс разработки более эффективных солнечных элементов в то время, когда спрос на возобновляемые источники энергии и их важность для сокращения выбросов углерода как никогда высоки. Результаты были опубликованы в журнале Nature Computational Materials.

После десятилетий использования кремния, который является относительно дорогим и недостаточно гибким, все больше внимания уделяется органическим фотоэлектрических элементам (OPV, organic photovoltaics), которые дешевле производить, также они более универсальны и просты в утилизации.

Основная проблема заключается в сортировке огромного объема потенциально подходящих химических соединений, которые могут быть синтезированы (адаптированы учеными) для использования в OPV. Исследователи и раньше пытались использовать машинное обучение для решения этой проблемы. Однако многие из этих моделей отнимали много времени, требовали значительной вычислительной мощности компьютера и их было трудно воспроизвести. И, что особенно важно, они не давали достаточного руководства ученым-экспериментаторам, которые работали над новыми устройствами для зеленой энергетики.

Теперь работа, возглавляемая доктором Настараном Мефтахи и профессором Сальви Руссо из Университета RMIT, совместно с командой профессора Удо Баха из университета Монаш, успешно решила многие из этих проблем.

В большинстве других моделей используются электронные дескрипторы, которые сложны, требуют больших вычислительных ресурсов и не поддаются химической интерпретации. Это значит, что химик-экспериментатор или ученый не может черпать идеи из этих моделей для разработки и синтеза материалов в лаборатории. Сотрудничество ученых привело к созданию программы BioModeller, которая легла в основу новой модели с открытым исходным кодом. Используя ее, исследователи получили надежные и предсказуемые результаты и, среди прочего, определили количественные отношения между исследуемыми молекулярными сигнатурами и эффективностью будущих устройств OPV.

0 0 голоса
Рейтинг статьи


Подписаться
Уведомить о
guest
0 комментариев
Межтекстовые Отзывы
Посмотреть все комментарии
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
()
x