Penyelamatan terminator? Program pembelajaran mesin baru untuk mempercepat pembangkit energi bersih
Green Tech

Penyelamatan terminator? Program pembelajaran mesin baru untuk mempercepat pembangkit energi bersih


Contoh sel surya generasi berikutnya yang fleksibel. Kredit: Shutterstock / LuYago

Dari ‘The Terminator’ dan ‘Blade Runner’ hingga ‘The Matrix,’ Hollywood telah mengajari kita untuk waspada terhadap kecerdasan buatan. Tetapi alih-alih menyegel kehancuran kita di layar lebar, algoritme bisa menjadi solusi untuk setidaknya satu masalah yang disajikan oleh krisis iklim.

Para peneliti di ARC Center of Excellence di Exciton Science telah berhasil membuat model pembelajaran mesin jenis baru untuk memprediksi efisiensi konversi daya (PCE) bahan yang dapat digunakan dalam sel surya organik generasi berikutnya, termasuk senyawa ‘virtual’ yang belum ada.

Tidak seperti beberapa model yang memakan waktu dan rumit, pendekatan terbaru cepat, mudah digunakan, dan kode tersedia secara gratis untuk semua ilmuwan dan insinyur.

Kunci untuk mengembangkan model yang lebih efisien dan ramah pengguna adalah mengganti parameter yang rumit dan mahal secara komputasi, yang memerlukan kalkulasi kuantum mekanik, dengan deskriptor tanda tangan yang lebih sederhana dan dapat ditafsirkan secara kimiawi dari molekul yang dianalisis. Mereka memberikan data penting tentang fragmen kimia paling signifikan dalam material yang memengaruhi PCE, menghasilkan informasi yang dapat digunakan untuk merancang material yang ditingkatkan.

Pendekatan baru ini dapat membantu mempercepat proses desain sel surya yang lebih efisien secara signifikan pada saat permintaan energi terbarukan, dan pentingnya mengurangi emisi karbon, lebih besar dari sebelumnya. Hasilnya telah dipublikasikan di jurnal Nature Bahan Komputasi.

Setelah puluhan tahun mengandalkan silikon, yang relatif mahal dan kurang fleksibel, perhatian semakin beralih ke sel surya fotovoltaik organik (OPV), yang akan lebih murah untuk dibuat dengan menggunakan teknologi pencetakan, serta lebih serbaguna dan lebih mudah untuk dibuang. .

Tantangan utama adalah memilah-milah sejumlah besar senyawa kimia yang berpotensi cocok yang dapat disintesis (dibuat khusus oleh para ilmuwan) untuk digunakan dalam OPV.

Peneliti telah mencoba menggunakan pembelajaran mesin sebelumnya untuk mengatasi masalah ini, tetapi banyak dari model tersebut memakan waktu, membutuhkan daya pemrosesan komputer yang signifikan dan sulit untuk ditiru. Dan, yang terpenting, mereka tidak memberikan panduan yang cukup bagi para ilmuwan eksperimental yang ingin membangun perangkat surya baru.

Sekarang, pekerjaan yang dipimpin oleh Dr. Nastaran Meftahi dan Profesor Salvy Russo dari RMIT University, bersama dengan tim Profesor Udo Bach di Monash University, telah berhasil mengatasi banyak tantangan tersebut.

“Mayoritas model lain menggunakan deskriptor elektronik yang rumit dan mahal secara komputasi, dan tidak dapat ditafsirkan secara kimiawi,” kata Nastaran.

“Artinya, ahli kimia atau ilmuwan eksperimental tidak dapat memperoleh ide dari model tersebut untuk merancang dan mensintesis bahan di lab. Jika mereka melihat model saya, karena saya menggunakan deskriptor yang dapat ditafsirkan secara kimiawi, mereka dapat melihat fragmen penting.”

Pekerjaan Nastaran sangat didukung oleh rekan penulisnya Profesor Dave Winkler dari CSIRO’s Data 61, Monash University, La Trobe University, dan University of Nottingham. Profesor Winkler ikut menciptakan program BioModeller yang memberikan dasar untuk model sumber terbuka yang baru.

Dengan menggunakannya, para peneliti dapat menghasilkan hasil yang kuat dan prediktif, dan menghasilkan, di antara data lain, hubungan kuantitatif antara tanda tangan molekuler yang diteliti dan efisiensi perangkat OPV masa depan.

Nastaran dan rekan-rekannya sekarang bermaksud untuk memperluas cakupan pekerjaan mereka dengan menyertakan kumpulan data yang lebih besar dan lebih akurat yang dihitung dan eksperimental.


Desain molekuler dengan bantuan pembelajaran mesin untuk bahan fotovoltaik organik berkinerja tinggi


Informasi lebih lanjut:
Nastaran Meftahi et al, Prediksi properti pembelajaran mesin untuk perangkat fotovoltaik organik, npj Bahan Komputasi (2020). DOI: 10.1038 / s41524-020-00429-w

Disediakan oleh ARC Center of Excellence di Exciton Science

Kutipan: Penyelamatan terminator? Program pembelajaran mesin baru untuk mempercepat pembangkit energi bersih (2020, 9 November) diambil pada 27 November 2020 dari https://techxplore.com/news/2020-11-terminator-salvation-machine-energy.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