Gyorsabb mesterséges intelligenciával jobb fotovoltaikus anyagokért

Eines aus einer Million: Künstliche Intelligenz hilft Forschenden bei der Suche nach neuen Materialien für hocheffiziente Solarzellen. (Foto: Kurt Fuchs/HI ERN) / Egy a millióból: A mesterséges intelligencia segíti a kutatókat az új anyagok keresésében a nagy hatékonyságú napelemekhez. (Fotó: Kurt Fuchs/HI ERN)

A perovskit napelemek rugalmas és fenntartható alternatívának számítanak a hagyományos szilícium-alapú napelemekhez képest. A Karlsruhei Technológiai Intézet (KIT) kutatói egy nemzetközi csapat tagjai, akik néhány héten belül új szerves molekulákat fedeztek fel, amelyekkel növelhető a perovskit napelemek hatékonysága. A csapat ügyesen ötvözte az MI alkalmazását a teljesen automatikus nagy átviteli sebességű szintézissel. A kifejlesztett stratégia más anyagtudományi területeken is alkalmazható, például új akkumulátormaterialok keresésére. A kutatók jelenleg a Science folyóiratban számolnak be eredményeikről (DOI: 10.1126/science.ads0901).

Akik kevesebb mint 1 000 000 molekula közül szeretnék megtalálni azokat, amelyek a perovskit napelemek pozitív töltésű vezetőjeként különösen hatékonyak, azoknak vagy ezeket a millió molekulát kell előállítaniuk és tesztelniük – vagy úgy kell eljárniuk, ahogyan a KIT Nanotechnológiai Intézetének Tenure-Track professzora, Pascal Friederich és Christoph Brabec professzor körül kutató kutatók tették. „Csak 150 célzott kísérlettel elérhető volt egy áttörés, ami máskülönben százezres tesztek százait igényelte volna. A kifejlesztett munkafolyamat új lehetőségeket nyit a gyors és költséghatékony erőteljes anyagok felfedezésében számos alkalmazási területen” – mondja Brabec. Az így felfedezett egyik anyaggal a hatékonyságot körülbelül két százalékkal növelték egy referencia napelem esetében, így az elérte a 26,2%-os hatékonyságot. „Ez a siker azt mutatja, hogy az új energiamaterialok fejlesztésében egy ügyes stratégia segítségével óriási időt és erőforrást lehet megtakarítani” – mondja Friederich.

A kiindulópont a HI ERN-nél egy adatbázis volt, amelyben körülbelül egymillió virtuális molekula szerkezetképlete szerepelt, amelyek kereskedelmi forgalomban lévő anyagokból előállíthatók lennének. Ebből a 13 000 virtuális molekula közül a kutatók véletlenszerűen választottak ki, és a KIT kutatói kvantummechanikai módszerekkel számították ki az energiaszinteket, polaritást, geometriát és más jellemzőket.

MI-képzés mindössze 101 molekula adataival

Ezekből a 13 000 molekulából a kutatók ismét 101-et választottak ki, amelyek jellemzőiben a lehető legnagyobb különbséget mutatták. Ezeket a HI ERN-nél automatikusan gyártották robotrendszer segítségével, és így azonos szerkezetű napelemeket készítettek. Ezután mértek a hatékonyságukat. „A stratégiánk sikerességében döntő volt, hogy a magas szintű automatizálásnak köszönhetően valóban összehasonlítható mintákat tudtunk előállítani, így megbízható értékeket kaptunk a hatékonyságra” – mondja Christoph Brabec, aki a HI ERN-nél irányította a munkát.

A mért hatékonyságok és a hozzájuk tartozó molekulák jellemzői alapján a KIT kutatói egy MI-modellt képeztek. A modell ezután további 48 molekulát javasolt szintézisre, két kritérium alapján: várhatóan magas hatékonyság és előre nem látható tulajdonságok. „Ha a gépi tanulási modell bizonytalan a hatékonyság előrejelzésében, érdemes a molekulát előállítani, hogy közelebbről megvizsgáljuk” – magyarázza Friederich a második kritériumot. „Ez meglepetést okozhat magas hatékonysággal is.”

Valóban, a MI által javasolt molekulákból átlagon felüli hatékonyságú napelemek építhetők, köztük olyanok is, amelyek felülmúlják a legmodernebb más anyagokat. „Nem lehetünk biztosak abban, hogy valóban megtaláltuk a legjobbat egymillió molekula közül, de egészen biztosan közel járunk a maximumhoz” – mondja Friederich, a Mesterséges Intelligencia kutatóprofesszora az anyagtudományban.

MI vs. kémiai intuíció

A kutatók bizonyos mértékig képesek követni a MI molekula javaslatait, mivel a használt MI megmutatja, mely jellemzők voltak döntőek a virtuális molekulák javaslataiban. Kiderült, hogy a MI-javaslatok részben olyan jellemzőkre is támaszkodtak, mint bizonyos kémiai csoportok, például aminok jelenléte, amelyeket a kémikusok eddig kevésbé vettek figyelembe.

Christoph Brabec és Friederich professzor meggyőződése, hogy stratégiájuk sok ígéretet rejt az anyagtudomány más alkalmazási területein, vagy akár az egész szerkezetek optimalizálására is kiterjeszthető.

A kutatási eredményeket, amelyekben az Erlangen-Nürnbergi Egyetem, a dél-koreai Ulsan Nemzeti Tudományos Intézet, a kínai Xiamen Egyetem és a Chengdui Elektronikus Tudomány és Technológia Egyetem kutatói működtek közre, nemrégiben a rangos „Science” folyóiratban publikálták (ffr).

Alapvetés

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 Lüer, Lin-Long Deng, Jens A. Hauch, Dirk M. Guldi, M. Eugenia Pérez-Ojeda, Sang Il Seok, Pascal Friederich, Christoph J. Brabec: Molekulaszemcsézettel tervezett fordított szerkezetű félvezetők perovskit napelemekhez. Science, 2024. DOI 10.1126/science.ads0901.