Menuju sel surya baru dengan pembelajaran aktif
Semiconductor

Menuju sel surya baru dengan pembelajaran aktif


Visualisasi ruang kimia yang dieksplorasi sejauh ini. Kredit: © Kunkel / FHI

Bagaimana saya bisa mempersiapkan diri untuk sesuatu yang belum saya ketahui? Ilmuwan dari Fritz Haber Institute di Berlin dan dari Universitas Teknik Munich telah menjawab pertanyaan yang hampir filosofis ini dalam konteks pembelajaran mesin. Belajar tidak lebih dari memanfaatkan pengalaman sebelumnya. Untuk menghadapi situasi baru, seseorang perlu menghadapi situasi yang kira-kira serupa sebelumnya. Dalam pembelajaran mesin, hal ini berarti bahwa algoritme pembelajaran harus diekspos ke data yang kira-kira serupa. Tetapi apa yang dapat kita lakukan jika ada jumlah kemungkinan yang hampir tak terbatas sehingga tidak mungkin menghasilkan data yang mencakup semua situasi?

Masalah ini sering muncul ketika berhadapan dengan jumlah molekul kandidat yang tidak terbatas. Semikonduktor organik memungkinkan teknologi masa depan yang penting seperti sel surya portabel atau layar yang dapat digulung. Untuk aplikasi seperti itu, molekul organik yang lebih baik — yang menyusun bahan-bahan ini — perlu ditemukan. Tugas semacam ini semakin banyak menggunakan metode pembelajaran mesin, sambil melatih data dari simulasi atau eksperimen komputer. Jumlah molekul organik kecil yang berpotensi, bagaimanapun, diperkirakan berada di urutan 1033. Jumlah kemungkinan yang sangat banyak ini membuat hampir tidak mungkin untuk menghasilkan data yang cukup untuk mencerminkan keragaman material yang begitu besar. Selain itu, banyak dari molekul tersebut bahkan tidak cocok untuk semikonduktor organik. Seseorang pada dasarnya mencari jarum pepatah di tumpukan jerami.

Dalam pekerjaan mereka yang diterbitkan baru-baru ini di Komunikasi Alam tim di sekitar Prof. Karsten Reuter, Direktur Departemen Teori di Fritz-Haber-Institute, menangani masalah ini dengan menggunakan apa yang disebut pembelajaran aktif. Alih-alih belajar dari data yang ada, algoritme pembelajaran mesin secara berulang memutuskan sendiri data mana yang sebenarnya perlu dipelajari tentang masalah tersebut. Para ilmuwan pertama-tama melakukan simulasi pada beberapa molekul yang lebih kecil, dan memperoleh data yang terkait dengan konduktivitas listrik molekul — ukuran kegunaannya saat melihat kemungkinan bahan sel surya. Berdasarkan data ini, algoritme memutuskan apakah modifikasi kecil pada molekul ini sudah dapat menghasilkan sifat yang berguna atau tidak pasti karena kurangnya data yang serupa.

Dalam kedua kasus tersebut, secara otomatis meminta simulasi baru, meningkatkan dirinya sendiri melalui data yang baru dibuat, mempertimbangkan molekul baru, dan melanjutkan untuk mengulangi prosedur ini. Dalam pekerjaan mereka, para ilmuwan menunjukkan bagaimana molekul baru dan menjanjikan dapat secara efisien diidentifikasi dengan cara ini, sementara algoritme melanjutkan penjelajahannya ke ruang molekul yang luas, bahkan sekarang, pada saat ini. Setiap minggu molekul baru sedang diusulkan yang dapat mengantarkan generasi sel surya berikutnya dan algoritme terus menjadi lebih baik dan lebih baik.


Eksperimen sel surya yang hampir tidak terbatas


Informasi lebih lanjut:
Christian Kunkel dkk, Penemuan aktif semikonduktor organik, Komunikasi Alam (2021). DOI: 10.1038 / s41467-021-22611-4

Disediakan oleh Max Planck Society

Kutipan: Menuju sel surya baru dengan pembelajaran aktif (2021, 23 April) diambil pada 23 April 2021 dari https://techxplore.com/news/2021-04-solar-cells.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : http://54.248.59.145/