AI пришвидшує відкриття матеріалів для сучасної технології перовскітних сонячних панелей
Інноваційні моделі машинного навчання: шлях до ефективніших сонячних елементів
Уявіть собі світ, де відкриття нових матеріалів для сонячних панелей відбувається не через роки досліджень, а всього за лічені дні. Таку перспективу нещодавно представила команда з Пекінського університету та його Шеньчженської аспірантської школи, розробивши ефективні моделі машинного навчання для швидкого прогнозування критично важливих електронних властивостей галогенідних перовскіту. Ціль цієї роботи – досягти максимальної ефективності сонячних панелей завдяки спрощенню пошуку оптимальних сполук.
Що робить галогенідні перовскіти такими перспективними?
Галогенідні перовскіти з кристалічною структурою ABX3 стали останнім писком моди у світі сонячних технологій. Їх популярність пояснюється вражаючою фотопровідністю, простотою виготовлення та низькою вартістю. Проте на шляху до ідеальних матеріалів дослідники стикаються з викликами, такими як токсичність свинцю та питання стабільності. Важливо розуміти, що ці матеріали можуть стати новим стандартом у галузі, якщо знайти покращені сполуки з ідеальними банд структурами.
Роль машинного навчання у розвитку нових матеріалів
Важливим кроком стала розробка моделей на основі Extreme Gradient Boosting (XGB). Ці моделі точні та здатні оцінити характеристики банд структури як для неорганічних, так і для гібридних перовскіту, використовуючи функціонали Heyd-Scuseria-Ernzerhof (HSE) та Perdew-Burke-Ernzerhof (PBE). Ефективність моделі підтверджує висока точність R значень: 0.8298 для CBM, 0.8481 для VBM та 0.8008 для прогнозів зони пропуску.
Для збільшення точності дослідники використали функціонал PBE, завдяки чому R збільшилося до 0.9316 з мінімальною середньою помилкою (MAE) всього 0.102 еВ. Таким чином, машинне навчання розширило горизонти для знаходження нових матеріалів швидше й ефективніше, ніж коли-небудь раніше.
Значення для майбутнього: як зміняться сонячні технології?
Окрім безпосередніх результатів, аналіз SHAP (SHapley Additive exPlanations) показав, які хімічні та структурні характеристики найбільше впливають на електронні енергетичні рівні перовскіту. Це означає, що за допомогою таких метрик можна прокласти шлях до ще більш продуктивних сполук.
Зараз дослідники планують об’єднати такі швидкі інтерпретовані моделі машинного навчання із вглибленими нейронними мережами. Це відкриває неабиякі перспективи для розвитку сонячних технологій – не лише підвищення ефективності та стабільності, але й досягнення екологічної безпеки нової генерації сонячних панелей.