Maschinelles Lernen zur Vorhersage der Leistung von organischen Solarzellen

Zur Herstellung organischer Solarzellen werden verschiedene Polymere benötigt. Für die optimale Leistung kommt es auf die Dicke der aktiven Schicht und die benötigten Mengen der einzelnen Polymere an. Da die Leistung von verschiedenen Faktoren beeinflusst wird, steht die Materialwirtschaft bei der Frage nach der Zusammensetzung und dem Zelldesign für eine optimale Leistung vor einer der größten Herausforderungen.

Vorhersage der Leistung von Materialien mit künstlicher Intelligenz

Forscher des Instituts für Materialwissenschaft von Barcelona, die sich auf Material für energetische Anwendungen spezialisiert haben, arbeiten mit Forschern der Universität Rovira i Virgili zusammen, die sich mit künstlicher Intelligenz beschäftigen. Gesammelte experimentelle Datensätze werden mit Algorithmen der künstlichen Intelligenz kombiniert, um die Leistung organischer Solarzellen vorherzusagen.

Mit einer neuen experimentellen Methode wurden mehrere Datensätze generiert, mit denen eine große Anzahl von Proben verfügbar ist. Um die Leistung von noch mehr Materialien vorherzusagen und aus den Datensätzen zu lernen, werden Methoden für das maschinelle Lernen eingesetzt. Das könnte die erste Studie auf diesem Gebiet sein, die künstliche Intelligenz und Hochdurchsatz-Experimente zur Vorhersage der optimalen Bedingungen von Materialien und Geräten kombiniert.

Gewinnung vielfältiger experimenteller Datenpunkte

Ziel der Studie ist die Gewinnung vielfältiger aussagekräftiger Datensätze mit minimalem experimentellem Aufwand. Die von den Forschern angewendete Methodik basiert auf kombinatorischem Screening. Proben werden mit Gradienten in den Parametern erzeugt, die am stärksten die Leistung organischer Solarzellen beeinflussen. Dazu gehören Zusammensetzung und Dicke.

Bei einer konventionellen Methode liefert ein Muster nur Informationen über einen Punkt. Die kombinierte Methode liefert das 10- bis 1.000-Fache an Punkten. Das Photovoltaik-Potential eines Materials kann 50 Mal schneller als mit einer konventionellen Methode bewertet werden. Zusätzlich werden umfangreiche Statistiken und eine Vielzahl an Datensätzen zum Training verschiedener Algorithmen der künstlichen Intelligenz bereitgestellt.

machine learning solarzellen
Mariano Campoy-Quiles und Xabier Rodríguez-Martínez, Koautoren der Studie, in ihrem Labor. Bildquelle: Institute of Materials Science of Barcelona

Algorithmus der künstlichen Intelligenz zur Vorhersage des Verhaltens

Maschinelles Lernen fasst alle Arten von Algorithmen zusammen, mit denen Maschinen aus einem gegebenen Datensatz lernen können, aber nicht unbedingt in der Lage sind, autonome Entscheidungen zu treffen. In diesem Fall wird die statistische Vision der künstlichen Intelligenz genutzt, um Vorhersagemodelle aus den experimentellen Datensätzen zu treffen.

Algorithmen der künstlichen Intelligenz werden in der Materialwissenschaft hauptsächlich genutzt, um nach Verhaltensmustern für die Entwicklung weiterer Vorhersagemodelle zu einer Materialgruppe einer vorgegebenen Anwendung zu suchen. Ein Algorithmus wird realen Daten ausgesetzt und trainiert, um einen Modellalgorithmus zu generieren. Mit anderen Datensätzen aus der gleichen Materialkategorie wird das Modell validiert. Zur Vorhersage des Verhaltens ähnlicher Materialien wird der Algorithmus nach der Validierung angewendet.

In der speziellen Studie werden Algorithmen der künstlichen Intelligenz mit tausenden durch die Hochdurchsatzmethode gewonnenen Punkten trainiert. So können die verschiedenen Faktoren zum Wirkungsgrad organischer Solarzellen bewertet werden.

Errungenschaften und zukünftige Herausforderungen


Die Arbeit repräsentiert zwei großartige Errungenschaften. Die Entwicklung von Modellen der künstlichen Intelligenz kann vorhersagen, wie die Effizienz von zahlreichen Parametern der organischen Solarzellen abhängt. Der Grad der Vorhersage ist gerade für Materialien, die im Training noch nicht verwendet wurden, hoch.

Mit der künstlichen Intelligenz wurde ermittelt, welche Parameter dieses Verhalten am stärksten beeinflussen. Kritische Parameter zur Bestimmung der optimalen Zusammensetzung sind die elektronische Lücke eines jeden Materials. Die Forscher sind von der Wichtigkeit der entwickelten Methode überzeugt, um theoretische Forscher zur Entwicklung zukünftiger analytischer Modelle anzuleiten.

Quelle: techexplore.com

Bildquelle: Institute of Materials Science of Barcelona

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.