Використання машинного навчання для пошуку надійних та доступних сонячних елементів
Дослідники з Інженерного коледжу Каліфорнійського університету в Девісі використовують машинне навчання для пошуку нових матеріалів високоефективних сонячних елементів. Вони проводять складні експерименти та застосовують різні алгоритми, засновані на машинному навчанні. В результаті виконаних робіт з'ясувалося, що можна прогнозувати динамічну поведінку матеріалів з дуже високою точністю і без необхідності проведення великої кількості випробувань.
Робота була опублікована у квітневому номері журналу ACS Energy Letters.
Об'єкт дослідження вчених – гібридні органо-неорганічні перовскіти (HOIP). Сонячні батареї на основі гібридних органо-неорганічних перовскітів – це напрям альтернативної енергетики, який на цей час найбільш активно розвивається. Перовскіти започаткували розвиток нового класу фотовольтаїчних пристроїв – перовскітних сонячних елементів. Перші їхні прототипи було створено у 2009 році.
Перовскіти можна порівняти за ефективністю з кремнієм для виготовлення сонячних елементів, але вони легші і дешевші у виробництві, а значить мають потенціал використання в різних областях, включно зі світловипромінюючими пристроями.
Однак є поки що не вирішена проблема з пристроями на основі перовскіту. Справа в тому, що вони мають тенденцію до більш швидкого руйнування, ніж кремній, при дії вологи, кисню, світла, тепла та напруги.
Завдання вчених знайти такі перовскіти, які поєднували б у собі високу ефективність із стійкістю до умов довкілля. Використовуючи виключно методи проб і помилок, дуже складно кількісно оцінити поведінку перовскітів при впливі кожного стресора, оскільки задіяний багатовимірний простір параметрів.
Структура перовскіту у загальному випадку описується формулою ABX3, де:
A – катіон у вигляді органічної (на основі вуглецю) або неорганічної групи.
B – катіон у вигляді свинцю чи олова.
X – аніон, галогенід на основі хлору, йоду, фтору або їх комбінації.
Як бачимо, кількість можливих хімічних комбінацій сама собою величезна. Додатково, кожну з цих комбінацій необхідно оцінювати при кількох умовах довкілля. Ці дві вимоги спричиняють комбінаторний вибух. Ми отримуємо простір гіперпараметрів, який не можна досліджувати за допомогою традиційних експериментальних методів.
Як перший і ключовий крок до вирішення цих проблем дослідники з Інженерного коледжу Каліфорнійського університету в Девісі в особі старшої авторки досліджень Марини Лейте, а також аспіранти Мегна Сривастава та Ебігейл Херінг вирішили перевірити, чи можуть алгоритми машинного навчання бути ефективними при тестуванні та прогнозуванні впливу на деградацію матеріалу.
Вони побудували систему для вимірювання ефективності фотолюмінесценції п'яти різних перовскітних плівок при повторюваних 6-годинних циклах відносної вологості, які імітують прискорені денні та нічні погодні коливання на основі типових літніх днів у північній Каліфорнії. Використовуючи високопродуктивну установку, вони збирали 50 спектрів фотолюмінесценції щогодини і 7200 спектрів у ході одного експерименту, що достатньо для надійного аналізу на основі машинного навчання.
Потім дослідники застосували три моделі машинного навчання до наборів даних і згенерували прогнози залежних від довкілля реакцій фотолюмінесценції, та кількісно порівняли їхню точність. Для роботи вони використовували алгоритми лінійної регресії (LR), мережі ехо-станів (ESN) та сезонного авторегресійного інтегрованого змінного середнього з екзогенними регресорами (SARIMAX) та знаходили значення середньої нормалізованої середньоквадратичної помилки (NRMSE). Прогнози моделей порівнювалися з фізичними результатами, виміряними у лабораторії. Модель лінійної регресії мала значення NRMSE 54%, у нейронної мережі ехо-станів NRMSE було 47%, а SARIMAX показала найкращий результат – лише 8% NRMSE.
Дуже висока та постійна точність SARIMAX, навіть при відстеженні довгострокових змін протягом 50-годинного вікна, демонструє здатність цього алгоритму моделювати складні нелінійні дані з різних складів гібридних органо-неорганічних перовскітів. У цілому, точні прогнози часових рядів ілюструють потенціал підходів, орієнтованих на дані, для досліджень стабільності перовскітів і розкривають перспективи автоматизації, науки про дані та машинне навчання як інструменти для подальшого розвитку цього нового матеріалу.
Дослідники у своїй роботі зазначають, що узагальнення їхніх методів на декілька композицій може допомогти скоротити час, необхідний для налаштування композиції, адже зараз це і є основним вразливим місцем у процесі проєктування перовскітів для світлопоглинаючих та випромінювальних пристроїв.
Зокрема, поєднання SARIMAX з моделями довгострокової пам'яті (LSTM) може дозволити прогнозувати хімічний склад перовскіту за межами навчальної вибірки, що також призведе до точної оцінки стабільності недостатньо вивчених складів.
Надалі вчені планують розширити свою роботу, додати до неї інші фактори стресу навколишнього середовища, окрім вологи (наприклад, кисень, температуру, світло та напругу). Комбінації багатьох факторів стресу можуть імітувати робочі умови у різних географічних положеннях, забезпечуючи розуміння стабільності сонячних елементів HOIP без необхідності проведення тривалих експериментів у кожному окремому місці.