Pembelajaran mesin untuk memprediksi kinerja sel surya organik
Green Tech

Pembelajaran mesin untuk memprediksi kinerja sel surya organik


Mariano Campoy-Quiles dan Xabier Rodríguez-Martínez, rekan penulis penelitian, di lab mereka. Kredit: ICMAB

Bayangkan mencari konfigurasi optimal untuk membangun sel surya organik yang terbuat dari polimer berbeda. Bagaimana Anda akan memulai? Apakah lapisan aktif harus sangat tebal atau sangat tipis? Apakah itu membutuhkan polimer dalam jumlah besar atau sedikit?

Mengetahui cara memprediksi komposisi spesifik dan desain sel yang akan menghasilkan kinerja optimal adalah salah satu masalah terbesar yang belum terpecahkan dalam ilmu material. Ini, sebagian, karena fakta bahwa kinerja perangkat bergantung pada banyak faktor.

Sekarang, para peneliti dari Institute of Material Science of Barcelona, ​​yang mengkhususkan diri pada material untuk aplikasi energi, telah berkolaborasi dengan peneliti dari Universitat Rovira i Virgili yang berspesialisasi dalam Artificial Intelligence, untuk menggabungkan poin data eksperimental yang mereka kumpulkan dengan algoritme kecerdasan buatan dan mengaktifkan kemampuan memprediksi kinerja sel surya organik yang belum pernah terjadi sebelumnya.

Peneliti ICMAB, yang dipimpin oleh Mariano Campoy-Quiles, telah menghasilkan banyak kumpulan data dengan menggunakan metode eksperimental baru yang memungkinkan mereka memiliki sampel dalam jumlah besar hanya dalam satu, mempercepat waktu dibandingkan dengan metode konvensional. Kemudian, model pembelajaran mesin digunakan untuk belajar dari kumpulan data tersebut dan memprediksi kinerja lebih banyak materi, seperti semikonduktor organik baru yang disintesis pada kelompok Prof. Martin Heeney di Imperial College London.

Studi ini mungkin yang pertama dari sekian banyak studi di lapangan yang menggabungkan kecerdasan buatan dan eksperimen throughput tinggi untuk memprediksi kondisi optimal bahan dan perangkat tertentu.

Pembelajaran mesin untuk memprediksi kinerja sel surya organik

Sampel sel surya organik berbasis gradien digunakan dalam eksperimen throughput tinggi. Kredit: ICMAB

Memperoleh beberapa poin data eksperimental

Salah satu aspek kunci dari studi ini adalah bahwa para peneliti mampu menghasilkan kumpulan data yang besar dan bermakna dengan usaha percobaan yang minimal. Ini merupakan aspek penting menuju keberhasilan pemodelan pembelajaran mesin untuk mendapatkan model dan prediksi yang akurat dan andal.

Peneliti menggunakan metodologi berdasarkan skrining kombinatorial di mana mereka menghasilkan sampel dengan gradien dalam parameter yang paling mempengaruhi kinerja sel surya organik (yaitu komposisi dan ketebalan).

“Saat menggunakan metode konvensional, sampel memberi Anda informasi tentang hanya satu titik. Namun, dengan menggunakan metodologi kami, kami dapat memperoleh antara 10 dan 1000 kali lebih banyak titik. Hal ini memungkinkan, di satu sisi, untuk mengevaluasi potensi fotovoltaik suatu material. sekitar 50 kali lebih cepat dibandingkan dengan metode konvensional. Di sisi lain, metode ini menyediakan statistik yang besar dan kumpulan data yang sangat besar (ratusan ribu poin) yang memungkinkan kami melatih algoritme kecerdasan buatan yang berbeda secara andal “kata Mariano Campoy-Quiles, peneliti ICMAB dan rekan penulis studi ini.

Algoritma Artificial Intelligence untuk memprediksi perilaku

“Dalam bidang AI yang luas, dalam pekerjaan ini kami menerapkan pembelajaran mesin, yang merupakan istilah yang mengumpulkan semua jenis algoritme yang memberi mesin (yaitu komputer) kemampuan untuk belajar dari kumpulan data tertentu, namun tidak harus mengambil keputusan otonom. Di sini, kami mengeksploitasi visi yang lebih statistik dari AI untuk menggambar model prediktif dari kumpulan data eksperimental kami yang besar “jelas Xabier Rodríguez- Martínez, peneliti ICMAB dan penulis pertama studi tersebut.

Algoritma kecerdasan buatan di bidang ilmu material terutama digunakan untuk mencari pola perilaku dan untuk mengembangkan lebih lanjut model prediktif dari perilaku suatu keluarga material untuk aplikasi tertentu. Untuk melakukannya, algoritme pertama-tama dilatih dengan mengeksposnya ke data nyata untuk menghasilkan algoritme model. Model tersebut kemudian divalidasi dengan titik data lain yang tidak digunakan untuk membuat model, tetapi dari kategori bahan yang sama. Setelah divalidasi, algoritme diterapkan untuk memprediksi perilaku materi serupa lainnya yang bukan merupakan bagian dari pelatihan atau set validasi.

Pembelajaran mesin untuk memprediksi kinerja sel surya organik

Manakah sampel yang paling efisien? Pembelajaran mesin dapat membantu eksperimentalis dalam menentukan kondisi optimal. Kredit: Institut Ilmu Material Barcelona

Dalam studi khusus ini, algoritma AI dilatih dengan ribuan poin yang diperoleh dengan metode throughput tinggi untuk mengevaluasi dan memprediksi berbagai faktor yang menentukan efisiensi sel surya organik. “Penggunaan algoritme AI sangat menantang dalam kasus ini,” jelas Roger Guimerà, Profesor ICREA di URV dan rekan penulis studi, “karena volume dan kompleksitas data, dan karena tujuan akhirnya adalah untuk mengekstrapolasi bahan baru yang belum pernah diuji. “

Prestasi dan tantangan masa depan

Karya ini mewakili dua pencapaian besar. Di satu sisi, mengembangkan model AI yang memprediksi bagaimana efisiensi bergantung pada banyak parameter sel surya organik. Tingkat prediksi sangat tinggi bahkan untuk materi yang belum pernah digunakan di set pelatihan.

“Poin penting kedua adalah bahwa berkat AI, kami telah menentukan parameter fisik mana yang lebih memengaruhi perilaku ini,” kata Mariano Campoy-Quiles, dan menambahkan, “Secara khusus, kami telah melihat bahwa parameter paling kritis yang menentukan komposisi optimal adalah celah elektronik setiap bahan, serta seberapa seimbang transportasi muatan di masing-masing bahan. “

Peneliti percaya bahwa hasil dan metodologi yang dikembangkan dalam penelitian ini sangat penting untuk memandu peneliti teoritis tentang apa yang harus dipertimbangkan ketika mengembangkan model analitik masa depan yang mencoba untuk menentukan efisiensi sistem tertentu.

“Tantangan kami berikutnya adalah untuk memahami sistem yang jauh lebih kompleks. Semakin kompleks sistemnya, semakin banyak AI yang bisa berguna,” tutup Campoy-Quiles.


Pesan! AI menemukan materi yang tepat


Informasi lebih lanjut:
Xabier Rodríguez-Martínez dkk. Memprediksi ketergantungan photocurrent-komposisi dalam sel surya organik, Energi & Ilmu Lingkungan (2021). DOI: 10.1039 / D0EE02958K

Disediakan oleh Institute of Material Science of Barcelona

Kutipan: Pembelajaran mesin untuk memprediksi kinerja sel surya organik (2021, 29 Januari) diambil pada 29 Januari 2021 dari https://techxplore.com/news/2021-01-machine-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 disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Lagutogel