S AI rychleji k lepším fotovoltaickým materiálům

Jedna z milionu: Umělá inteligence pomáhá vědcům při hledání nových materiálů pro vysoce účinné solární články. (Foto: Kurt Fuchs/HI ERN) / One in a million: Artificial intelligence helps scientists in their search for new materials to be used in high-efficiency solar cells. (Photo: Kurt Fuchs/HI ERN)

Perovskitové solární články jsou považovány za flexibilní a udržitelnou alternativu k běžným solárním článkům na bázi křemíku. Výzkumníci z Karlsruher Institutu pro technologie (KIT) patří k mezinárodnímu týmu, který během několika týdnů nalezl nové organické molekuly, jež umožňují zvýšit účinnost perovskitových solárních článků. Tým chytře kombinoval použití umělé inteligence s plně automatickou vysokovýkonnou syntézou. Vyvinutá strategie je přenositelná i do jiných oblastí výzkumu materiálů, například při hledání nových bateriových materiálů. Výzkumníci aktuálně informují v časopise Science (DOI: 10.1126/science.ads0901).

Kdo chce najít mezi milionem molekul ty, které činí perovskitové solární články zvlášť účinnými jako vodiče pozitivního náboje, musí tyto miliony molekul vyrobit a otestovat – nebo postupovat stejně jako výzkumníci z okolí profesora Pascal Friedericha z Institutu nanotechnologií KIT a profesora Christopha Brabeca z HI ERN. „Pouhými 150 cílenými experimenty bylo možné dosáhnout průlomu, který by jinak vyžadoval stovky tisíc testů. Vyvinutý pracovní postup otevírá nové možnosti pro rychlé a nákladově efektivní objevování výkonných materiálů v různých oblastech aplikací,“ říká Brabec. S jedním z takto objevených materiálů zvýšili účinnost referenčního solárního článku o přibližně dvě procenta na 26,2 procenta. „Tento úspěch ukazuje, že při vývoji nových energetických materiálů lze s chytrou strategií výrazně ušetřit čas i zdroje,“ dodává Friederich.

Výchozím bodem na HI ERN byla databáze s strukturálními vzorci přibližně milionu virtuálních molekul, které by byly vyrobitelné z běžně dostupných látek. Z 13 000 těchto virtuálních molekul, náhodně vybraných, výzkumníci z KIT pomocí zavedených kvantově mechanických metod vypočítali energetické úrovně, polaritu, geometrii a další vlastnosti.

Trénink AI s daty pouze od 101 molekul

Z těchto 13 000 molekul výzkumníci opět vybrali 101 molekul, které se co nejvíce lišily ve svých vlastnostech. Tyto byly na HI ERN automaticky vyrobeny pomocí robotického systému a z nich byly následně vyrobeny solární články s téměř shodnými vlastnostmi. Poté měřili jejich účinnost. „Klíčové pro úspěch naší strategie bylo, že díky naší vysoce automatizované syntetické platformě jsme mohli vyrábět skutečně srovnatelné vzorky a tím získat spolehlivé hodnoty účinnosti,“ říká Christoph Brabec, který vedl práce na HI ERN.

S využitím dosažených účinností a vlastností příslušných molekul výzkumníci z KIT vyškolili model umělé inteligence. Tento model následně navrhl dalších 48 molekul k syntéze na základě dvou kritérií: očekávané vysoké účinnosti a nepředvídatelných vlastností. „Pokud je strojové učení nejisté ohledně předpovědi účinnosti, stojí za to molekulu vyrobit a podrobněji ji prozkoumat,“ vysvětluje Pascal Friederich druhé kritérium. „Může překvapit vysokou účinností.“

Skutečně bylo možné z molekul navržených AI postavit nadprůměrně účinné solární články, včetně těch, které překonávají nejmodernější jiné materiály. „Nemůžeme si být jistí, že jsme skutečně našli to nejlepší mezi milionem molekul, ale jsme určitě blízko optimu,“ říká Friederich, profesor umělé inteligence v materiálových vědách.

AI versus chemická intuice

Výzkumníci mohou do určité míry sledovat návrhy molekul od AI, protože používaná AI uvádí, které vlastnosti virtuálních molekul byly klíčové pro její návrhy. Ukázalo se, že AI návrhy se někdy opíraly i o vlastnosti, například přítomnost určitých chemických skupin, jako jsou aminy, které chemici dříve méně zohledňovali.

Christoph Brabec a Pascal Friederich jsou přesvědčeni, že jejich strategie má velký potenciál i pro výzkum materiálů v jiných oblastech nebo pro optimalizaci celých zařízení.

Výsledky výzkumu, které vznikly ve spolupráci s vědci z Univerzity Erlangen-Nürnberg, korejského Ulsan National Institute of Science, čínské Xiamen University a University of Electronic Science and Technology v Chengdu, Čína, byly nedávno publikovány v prestižním časopise „Science“ (ffr).

Originální publikace

Jianchang Wu, Luca Torresi, ManMan Hu, Patrick Reiser, Jiyun Zhang, Juan S. Rocha-Ortiz, Luyao Wang, Zhiqiang Xie, Kaicheng Zhang, Byung-wook Park, Anastasia Barabash, Yicheng Zhao, Junsheng Luo, Yunuo Wang, Larry Luer, Lin-Long Deng, Jens A. Hauch, Dirk M. Guldi, M. Eugenia Pérez-Ojeda, Sang Il Seok, Pascal Friederich, Christoph J. Brabec: Inverse design of molecular hole-transporting semiconductors tailored for perovskite solar cells. Science, 2024. DOI 10.1126/science.ads0901.