Применение машинного обучения для поиска надежных и доступных солнечных элементов

Исследователи из Инженерного колледжа Калифорнийского университета в Дэвисе применяют машинное обучение для обнаружения новых материалов высокоэффективных солнечных элементов. Они проводят сложные эксперименты и применяют различные алгоритмы, основанные на машинном обучении. В результате выполненных работ выяснилось, что можно прогнозировать динамическое поведение материалов с очень высокой точностью без необходимости проведения большого количества испытаний.

Работа была опубликована в апрельском номере журнала ACS Energy Letters.

Объект исследования ученых – гибридные органо-неорганические перовскиты (HOIP). Солнечные батареи на основе гибридных органо-неорганических перовскитов в настоящее время являются одним из наиболее развивающихся направлений альтернативной энергетики. Эти молекулы положили начало развитию нового класса фотовольтаических устройств – перовскитных солнечных элементов. Первые их прототипы были созданы в 2009 году.

Перовскиты сравнимы по эффективности с кремнием для изготовления солнечных элементов, но они легче и дешевле в производстве, а значит обладают потенциалом использования в самых разных областях, включая светоизлучающие устройства.

Однако имеется не решенная пока проблема с устройствами на основе перовскита. Дело в том, что они имеют тенденцию к более быстрому разрушению, чем кремний, при воздействии влаги, кислорода, света, тепла и напряжения.

Задача ученых найти такие перовскиты, которые сочетали бы в себе высокую эффективность с устойчивостью к условиям окружающей среды. Используя исключительно методы проб и ошибок, очень сложно количественно оценить поведение перовскитов при воздействии каждого стрессора, поскольку задействовано многомерное пространство параметров.

Структура перовскита в общем случае описывается формулой ABX3, где:
A – катион в виде органической (на основе углерода) или неорганической группы.
B – катион, представляющий собой свинец или олово.
X – анион, галогенид на основе хлора, йода, фтора или их комбинации.

Как видим, количество возможных химических комбинаций само по себе огромно. Дополнительно, каждую из этих комбинаций необходимо оценивать в отношении нескольких условий окружающей среды. Эти два требования приводят к комбинаторному взрыву. Мы получаем пространство гиперпараметров, которое нельзя исследовать с помощью обычных экспериментальных методов.

В качестве первого и ключевого шага к решению этих проблем исследователи из Инженерного колледжа Калифорнийского университета в Дэвисе во главе старшего автора исследований Марины Лейте, а также аспиранты Мегна Сривастава и Эбигейл Херинг решили проверить, могут ли алгоритмы машинного обучения быть эффективными при тестировании и прогнозировании воздействия влаги на деградацию материала.

Они построили систему для измерения эффективности фотолюминесценции пяти различных перовскитных пленок при повторяющихся 6-часовых циклах относительной влажности, которые имитируют ускоренные дневные и ночные погодные колебания на основе типичных летних дней в северной Калифорнии. Используя высокопроизводительную установку, они собирали 50 спектров фотолюминесценции каждый час и 7200 спектров в ходе одного эксперимента, что достаточно для надежного анализа на основе машинного обучения.

Затем исследователи применили три модели машинного обучения к наборам данных и сгенерировали прогнозы зависимых от окружающей среды реакций фотолюминесценции, и количественно сравнили их точность. Для работы они использовали алгоритмы линейной регрессии (LR), сети эхо-состояний (ESN) и сезонного авторегрессионного интегрированного скользящего среднего с экзогенными регрессорами (SARIMAX) и находили значения средней нормализованной среднеквадратичной ошибки (NRMSE). Прогнозы моделей сравнивались с физическими результатами, измеренными в лаборатории. Модель линейной регрессии имела значение NRMSE 54%, у нейронной сети эхо-состояний NRMSE было 47%, а SARIMAX показала самый лучший результат – лишь 8% NRMSE.

Очень высокая и постоянная точность SARIMAX, даже при отслеживании долгосрочных изменений в течение 50-часового окна, демонстрирует способность этого алгоритма моделировать сложные нелинейные данные из различных составов гибридных органо-неорганических перовскитов. В целом, точные прогнозы временных рядов иллюстрируют потенциал подходов, ориентированных на данные, для исследований стабильности перовскитов и раскрывают перспективы автоматизации, науки о данных и машинного обучения в качестве инструментов для дальнейшего развития этого нового материала.

Исследователи в своей работе отмечают, что обобщение их методов на несколько композиций может помочь сократить время, необходимое для настройки композиции, ведь в данный момент это и является основным узким местом в процессе проектирования перовскитов для светопоглощающих и излучающих устройств.

В частности, сочетание SARIMAX с моделями долгой краткосрочной памяти (LSTM) может позволить прогнозировать химический состав перовскита за пределами обучающей выборки, что также приведет к точной оценке стабильности недостаточно изученных в настоящее время составов.

В дальнейшем ученые планируют расширить свою работу, добавить в нее другие факторы стресса окружающей среды, помимо влаги (например, кислород, температуру, свет и напряжение). Комбинации многих факторов стресса могут имитировать рабочие условия в различных географических точках, обеспечивая понимание стабильности солнечных элементов HOIP без необходимости проведения длительных экспериментов в каждом отдельном месте.