Ogniwa słoneczne perowskitowe są elastyczną i zrównoważoną alternatywą dla konwencjonalnych ogniw słonecznych na bazie krzemu. Naukowcy z Instytutu Technologii w Karlsruhe (KIT) są częścią międzynarodowego zespołu, któremu w ciągu zaledwie kilku tygodni udało się znaleźć nowe cząsteczki organiczne zwiększające wydajność perowskitowych ogniw słonecznych. Zespół zastosował sprytne połączenie sztucznej inteligencji (AI) i zautomatyzowanej syntezy o dużej przepustowości. Ich strategię można również zastosować w innych obszarach badań materiałowych, takich jak poszukiwanie nowych materiałów na akumulatory.
Aby dowiedzieć się, która z miliona różnych cząsteczek będzie przewodziła ładunki dodatnie i czyniła perowskitowe ogniwa słoneczne szczególnie wydajnymi, należałoby zsyntetyzować i przetestować je wszystkie – lub zrobić to, co badacze kierowani przez profesora Pascala Friedericha, który specjalizuje się w zastosowaniach AI w materiałoznawstwie w Instytucie Nanotechnologii KIT, a profesor Christoph Brabec z Instytutu Helmholtza Erlangen-Nürnberg (HI ERN). „Dzięki zaledwie 150 ukierunkowanym eksperymentom udało nam się osiągnąć przełom, który w przeciwnym razie wymagałby setek tysięcy testów. Opracowany przez nas przepływ pracy otworzy nowe sposoby szybkiego i ekonomicznego odkrywania wysokowydajnych materiałów do szerokiego zakresu zastosowań – powiedział Brabec. Dzięki jednemu z odkrytych materiałów zwiększyli wydajność referencyjnego ogniwa słonecznego o około dwa punkty procentowe, do 26,2 procent. „Nasz sukces pokazuje, że można zaoszczędzić ogromne ilości czasu i zasobów, stosując umiejętne strategie odkrywania nowych materiałów energetycznych” – powiedział Friedrich.
Punktem wyjścia dla HI ERN była baza danych zawierająca wzory strukturalne dla około miliona wirtualnych cząsteczek, które można było zsyntetyzować z substancji dostępnych na rynku. Z tych wirtualnych cząsteczek wybrano losowo 13 000. Badacze z projektu KIT wykorzystali ustalone metody mechaniki kwantowej do określenia poziomów energii, polarności, geometrii i innych właściwości.
Trenowanie sztucznej inteligencji na podstawie danych pochodzących z zaledwie 101 cząsteczek
Spośród 13 000 cząsteczek naukowcy wybrali 101 o największych różnicach we właściwościach, zsyntetyzowali je za pomocą systemów robotycznych w HI ERN, wykorzystali do wyprodukowania identycznych ogniw słonecznych, a następnie zmierzyli wydajność ogniw słonecznych. „Możliwość wytworzenia naprawdę porównywalnych próbek dzięki naszej wysoce zautomatyzowanej platformie syntezy, a tym samym możliwość określenia wiarygodnych wartości wydajności, miała kluczowe znaczenie dla powodzenia naszej strategii” – powiedział Brabec, który kierował pracami w HI ERN.
Naukowcy z KIT wykorzystali uzyskaną wydajność i właściwości powiązanych cząsteczek do wytrenowania modelu sztucznej inteligencji, który sugerował syntezę 48 innych cząsteczek. Jego sugestie opierały się na dwóch kryteriach: wysokiej oczekiwanej wydajności i nieprzewidywalnych właściwościach. „Kiedy model uczenia maszynowego nie ma pewności co do przewidywanej wydajności, warto zsyntetyzować cząsteczkę i przyjrzeć się jej bliżej” – powiedział Friederich, wyjaśniając drugie kryterium. „Może nas zaskoczyć wysokim poziomem wydajności”.
Wykorzystując cząsteczki sugerowane przez sztuczną inteligencję rzeczywiście udało się zbudować ogniwa słoneczne o ponadprzeciętnej wydajności, w tym niektórych przekraczającej możliwości najbardziej zaawansowanych obecnie stosowanych materiałów. „Nie możemy być pewni, czy rzeczywiście znaleźliśmy najlepszą z miliona cząsteczek, ale z pewnością jesteśmy blisko optymalności” – powiedział Friederich.
Sztuczna inteligencja kontra intuicja chemiczna
Ponieważ badacze wykorzystali sztuczną inteligencję, która wskazuje, na których właściwościach wirtualnych cząsteczek opierają się ich sugestie, mogli uzyskać pewien wgląd w sugerowane cząsteczki. Ustalili na przykład, że sugestie sztucznej inteligencji częściowo opierają się na obecności pewnych grup chemicznych, takich jak aminy, które chemicy wcześniej zaniedbali.
Brabec i Friederich uważają, że ich strategia jest obiecująca w innych zastosowaniach w inżynierii materiałowej lub może zostać rozszerzona na optymalizację całych komponentów.
Odkrycia, będące wynikiem badań przeprowadzonych we współpracy z naukowcami z FAU Erlangen-Nürnberg, Narodowego Instytutu Nauki Ulsan w Korei Południowej oraz chińskiego Uniwersytetu Xiamen i Uniwersytetu Elektronicznego Nauki i Technologii, zostały niedawno opublikowane w czasopiśmie Science.