Z KI szybciej do lepszych materiałów fotowoltaicznych

Jedno na milion: Sztuczna inteligencja pomaga naukowcom w poszukiwaniu nowych materiałów do wysokowydajnych ogniw słonecznych. (Zdjęcie: Kurt Fuchs/HI ERN)

Perowskitowe ogniwa słoneczne uważane są za elastyczną i zrównoważoną alternatywę dla tradycyjnych ogniw na bazie krzemu. Badacze z Karlsruher Institut für Technologie (KIT) należą do międzynarodowego zespołu, który w ciągu kilku tygodni znalazł nowe cząsteczki organiczne, które pozwalają na zwiększenie wydajności perowskitowych ogniw słonecznych. Zespół sprytnie połączył wykorzystanie sztucznej inteligencji z całkowicie automatyczną syntezą wysokoprzepustową. Opracowana strategia jest przenaszalna na inne dziedziny badań materiałowych, na przykład na poszukiwanie nowych materiałów do baterii. Badacze informują o tym obecnie w czasopiśmie Science (DOI: 10.1126/science.ads0901).

Kto chce spośród 1 000 000 cząsteczek wyłonić te, które jako przewodniki dodatnich ładunków czynią perowskitowe ogniwa słoneczne szczególnie wydajnymi, musi wyprodukować i przetestować tę milionową cząsteczkę – albo postąpić tak, jak badacze z zespołu pod kierownictwem profesora Pascal Friedericha z Instytutu Nanotechnologii KIT oraz profesora Christopha Brabeca z HI ERN. „Zaledwie 150 celowanych eksperymentów pozwoliło na przełom, który w innym przypadku wymagałby setek tysięcy testów. Opracowany przepływ pracy otwiera nowe możliwości szybkiego i ekonomicznego odkrywania wydajnych materiałów w różnych dziedzinach zastosowań”, mówi Brabec. Dzięki jednemu z tak odkrytych materiałów zwiększyli wydajność referencyjnego ogniwa słonecznego o około dwa procent do 26,2 procent. „Ten sukces pokazuje, że przy opracowywaniu nowych materiałów energetycznych można za pomocą sprytnej strategii zaoszczędzić ogrom czasu i zasobów”, dodaje Friederich.

Punktem wyjścia w HI ERN była baza danych zawierająca strukturalne wzory około miliona wirtualnych cząsteczek, które można by wyprodukować z dostępnych substancji. Spośród 13 000 tych wirtualnych cząsteczek, wybranych losowo, badacze z KIT obliczyli za pomocą ustalonych metod kwantowo-mechanicznych poziomy energii, polaryzację, geometrię i inne cechy.

Szkolenie AI na podstawie danych tylko 101 cząsteczek

Z tych 13 000 cząsteczek badacze wybrali ponownie 101, które różniły się pod względem cech w możliwie największym stopniu. Zostały one automatycznie wyprodukowane w HI ERN przy użyciu systemu robotycznego, a następnie zbudowano na ich podstawie podobne ogniwa słoneczne. Następnie zmierzono ich wydajność. „Kluczowe dla sukcesu naszej strategii było to, że dzięki naszej wysoko zautomatyzowanej platformie syntezy mogliśmy wytworzyć naprawdę porównywalne próbki i tym samym uzyskać wiarygodne wartości wydajności”, mówi Christoph Brabec, który kierował pracami w HI ERN.

Na podstawie uzyskanych wydajności i cech odpowiadających im cząsteczek badacze z KIT wytrenowali model sztucznej inteligencji. Model ten zaproponował następnie kolejne 48 cząsteczek do syntezy, opierając się na dwóch kryteriach: oczekiwanej wysokiej wydajności i nieprzewidywalnych właściwościach. „Jeśli model uczenia maszynowego jest niepewny co do prognozy wydajności, opłaca się wyprodukować cząsteczkę, aby bliżej ją zbadać”, wyjaśnia Pascal Friederich drugie kryterium. „Może ona zaskoczyć wysoką wydajnością.”

Faktycznie, z cząsteczek zaproponowanych przez AI można było zbudować ponadprzeciętnie wydajne ogniwa słoneczne, w tym takie, które przewyższają najnowsze inne materiały. „Nie możemy być pewni, że naprawdę znaleźliśmy najlepszą spośród miliona cząsteczek, ale jesteśmy zdecydowanie blisko optymalnego rozwiązania”, mówi Friederich, profesor na stanowisku Tenure-Track ds. sztucznej inteligencji w naukach materiałowych.

AI kontra chemiczna intuicja

Badacze mogą w pewnym stopniu zrozumieć propozycje cząsteczek generowane przez AI, ponieważ używana sztuczna inteligencja wskazuje, które cechy wirtualnych cząsteczek były kluczowe dla jej sugestii. Okazało się, że propozycje AI częściowo opierały się także na cechach, np. obecności określonych grup chemicznych, takich jak aminy, które chemicy dotąd mniej brali pod uwagę.

Christoph Brabec i Pascal Friederich są przekonani, że ich strategia ma duży potencjał dla badań materiałowych także w innych dziedzinach lub może zostać rozszerzona na optymalizację całych elementów konstrukcyjnych.

Wyniki badań, które powstały we współpracy z naukowcami z Uniwersytetu Erlangen-Nürnberg, Ulsan National Institute of Science w Korei Południowej, Xiamen University w Chinach oraz University of Electronic Science and Technology w Chengdu, w Chinach, zostały niedawno opublikowane w renomowanym czasopiśmie „Science” (ffr).

Oryginalna publikacja

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: Inverse design of molecular hole-transporting semiconductors tailored for perovskite solar cells. Science, 2024. DOI 10.1126/science.ads0901.