Maschinelles Lernen identifiziert effiziente Materialien für Solarzellen

Forscher der University of California haben eine Methode entwickelt, um mittels maschinellem Lernen neue Materialien für effiziente Solarzellen zu finden. Die Wissenschaftler nutzten hochdurchsatzfähige Experimente und maschinelles Lernen, um die dynamischen Eigenschaften von Materialien hochgenau vorherzusagen, ohne so viele Experimente durchzuführen. Die Forschungsergebnisse wurden auf der Titelseite des Aprilheftes von ACS Energy Letters veröffentlicht. Hybridperowskite sind organisch- anorganische Moleküle, die in den letzten 10 Jahren viel Aufmerksamkeit für ihre potenzielle Verwendung in erneuerbaren Energien erhalten haben. Ein primäres Problem ist, herauszufinden, welche Perowskite eine hohe Effizienzleistung mit widerstandsfähigen Umgebungsbedingungen verbinden. Die Forscher haben gezeigt, dass die Verwendung von maschinellem Lernen bei der Identifizierung von Kandidatenmaterialien und geeigneten Bedingungen zur Verhinderung der Degradation in Perowskite hilfreich sein kann. Die Forscher sammelten über 7.000 Messungen in einer Woche, indem sie ein automatisiertes, hochdurchsatzfähiges System zur Messung der Photolumineszenzeffizienz von fünf verschiedenen Perowskite-Filmen gegen die Bedingungen von Sommertagen in Sacramento bauten. Diese Daten nutzten sie, um drei verschiedene maschinelle Lernalgorithmen zu trainieren: ein lineares Regressionsmodell, ein neuronales Netzwerk und ein statistisches Modell namens SARIMAX. Das SARIMAX-Modell zeigte die beste Leistung mit einer Übereinstimmung von 90 Prozent mit den beobachteten Ergebnissen während eines Zeitraums von mehr als 50 Stunden. Die Forscher planen als nächstes, die Experimente zu erweitern, um die Auswirkungen von mehreren Umweltfaktoren zu quantifizieren. Die gleiche Methode könnte auch zur Vorhersage des Verhaltens eines kompletten Photovoltaikgeräts verwendet werden. Die Forschung ist ein großer Schritt in Richtung effizienterer Solarzellen und erneuerbarer Energiequellen.