Erneuert Energy Frontier Forschungszentrum um weiterhin entscheidende Entdeckungen im Zusammenhang mit fortschrittlichen Materialien zu liefern, die zukünftige Lösungen für Wasserkrisen untermauern.
Die Sonne sendet kontinuierlich Billionen Watt Energie an die Erde. Er wird dies noch weitere Milliarden Jahre tun. Dennoch haben wir gerade erst damit begonnen, diese reichlich vorhandene, erneuerbare Energiequelle zu erschwinglichen Kosten anzuzapfen.
Solarabsorber sind ein Material, mit dem diese Energie in Wärme oder Strom umgewandelt wird. Maria Chan, Wissenschaftlerin im US Department of Energy (DAMHIRSCHKUH) Argonne National Laboratory, hat eine maschinelle Lernmethode entwickelt, um viele tausend Verbindungen als Solarabsorber zu testen. Ihr Co-Autor an diesem Projekt war Arun Mannodi-Kanakkithodi, ein ehemaliger Argonne-Postdoc, der jetzt Assistenzprofessor an der Purdue University ist.
„Wir befinden uns wirklich in einer neuen Ära der Bewerbung KI und Hochleistungsrechnen bis hin zur Materialforschung.“ – Maria Chan, Wissenschaftlerin, Center for Nanoscale Materials
„Laut einer aktuellen DAMHIRSCHKUH Studie zufolge könnte Solarenergie bis 2035 40 % des Stroms der Nation liefern“, sagte Chan.„Und es könnte zur Dekarbonisierung des Stromnetzes beitragen und viele neue Arbeitsplätze schaffen.“
Chan und Mannodi-Kanakkithodi setzen darauf, dass maschinelles Lernen eine entscheidende Rolle bei der Verwirklichung dieses hochgesteckten Ziels spielen wird. Eine Form der künstlichen Intelligenz (KI) verwendet maschinelles Lernen eine Kombination aus großen Datensätzen und Algorithmen, um die Art und Weise nachzuahmen, wie Menschen lernen. Es lernt aus dem Training mit Beispieldaten und Erfahrungen aus der Vergangenheit, um immer bessere Vorhersagen zu treffen.
Zu Zeiten von Thomas Edison entdeckten Wissenschaftler neue Materialien durch den mühsamen Prozess des Ausprobierens mit vielen verschiedenen Kandidaten, bis einer funktionierte. In den letzten Jahrzehnten haben sie sich auch auf arbeitsintensive Berechnungen verlassen, die bis zu tausend Stunden in Anspruch nehmen, um die Eigenschaften eines Materials vorherzusagen. Jetzt können sie beide Erkennungsprozesse abkürzen, indem sie auf maschinelles Lernen zurückgreifen.
Gegenwärtig ist der primäre Absorber in Solarzellen entweder Silizium oder Cadmiumtellurid. Solche Zellen sind heute alltäglich. Aber sie bleiben ziemlich teuer und energieintensiv in der Herstellung.
Das Team verwendete seine maschinelle Lernmethode, um die Sonnenenergieeigenschaften einer Materialklasse namens Halogenid-Perowskite zu bewerten. In den letzten zehn Jahren haben viele Forscher Perowskite wegen ihrer bemerkenswerten Effizienz bei der Umwandlung von Sonnenlicht in Elektrizität untersucht. Sie bieten auch die Aussicht auf einen viel geringeren Kosten- und Energieaufwand für die Materialvorbereitung und den Zellaufbau.
„Im Gegensatz zu Silizium oder Cadmiumtellurid sind die möglichen Variationen von Halogeniden in Kombination mit Perowskiten im Wesentlichen unbegrenzt“, sagte Chan.„Es besteht daher dringender Bedarf, eine Methode zu entwickeln, die die aussichtsreichen Kandidaten auf eine überschaubare Zahl eingrenzen kann. Zu diesem Zweck ist maschinelles Lernen ein perfektes Werkzeug.“
Das Team trainierte seine Methode mit Daten für einige hundert Halogenid-Perowskit-Zusammensetzungen und wendete sie dann als Testfall auf über 18.000 Zusammensetzungen an. Das Verfahren bewertete diese Zusammensetzungen auf Schlüsseleigenschaften wie Stabilität, Fähigkeit, Sonnenlicht zu absorbieren, Struktur, die aufgrund von Defekten nicht leicht bricht, und mehr. Die Berechnungen stimmten gut mit relevanten Daten in der wissenschaftlichen Literatur überein. Außerdem reduzierten die Ergebnisse die Anzahl der Kompositionen, die es wert sind, weiter untersucht zu werden, auf etwa 400.
„Unsere Kandidatenliste enthält Verbindungen, die bereits untersucht wurden, Verbindungen, die noch nie jemand untersucht hat, und sogar Verbindungen, die nicht zu den ursprünglichen 18.000 gehörten“, sagte Chan.„Daher freuen wir uns sehr darüber.“
Im nächsten Schritt werden die Vorhersagen experimentell getestet. Das ideale Szenario wäre die Verwendung eines autonomen Entdeckungslabors, wie z Polybot am Argonne Center for Nanoscale Materials (CNM), a DAMHIRSCHKUH Office of Science Benutzereinrichtung. Polybot vereint die Kraft der Robotik mit KI um wissenschaftliche Entdeckungen mit wenig oder gar keinem menschlichen Eingreifen voranzutreiben.
Durch den Einsatz autonomer Experimente zur Synthese, Charakterisierung und Prüfung der besten ihrer wenigen hundert Hauptkandidaten gehen Chan und ihr Team davon aus, dass sie auch die aktuelle Methode des maschinellen Lernens verbessern können.
„Wir befinden uns wirklich in einer neuen Ära der Bewerbung KI und Hochleistungsrechnen bis hin zur Materialentdeckung“, sagte Chan.„Neben Solarzellen könnte unsere Designmethodik auch auf LEDs und Infrarotsensoren angewendet werden.“
Über diese Forschung wird in einem Artikel in Energy berichtet & Umweltwissenschaften, betitelt„Datengesteuertes Design einer neuartigen Halogenid-Perowskit-Legierung.”
Unterstützung für die Forschung kam von der DAMHIRSCHKUH Amt für Wissenschaft. Die Forscher nutzten die Rechenressourcen des National Energy Research Scientific Computing Center, a DAMHIRSCHKUH Office of Science-Benutzereinrichtung und Bebop, betrieben von Argonne’s Laboratory Computing Resource Center.
Um Argonne-Zentrum für Nanoskalige Materialien: Das Center for Nanoscale Materials ist eines von fünf DAMHIRSCHKUH Nanoscale Science Research Centers, führende nationale Nutzereinrichtungen für interdisziplinäre Forschung im Nanomaßstab, unterstützt durch die DAMHIRSCHKUH Amt für Wissenschaft. Zusammen umfassen die NSRCs eine Reihe sich ergänzender Einrichtungen, die Forschern hochmoderne Fähigkeiten zur Herstellung, Verarbeitung, Charakterisierung und Modellierung von Materialien im Nanomaßstab bieten und die größte Infrastrukturinvestition der National Nanotechnology Initiative darstellen. Die NSRCs befinden sich in DAMHIRSCHKUH‘s Argonne, Brookhaven, Lawrence Berkeley, Oak Ridge, Sandia und Los Alamos National Laboratories. Für weitere Informationen über die DAMHIRSCHKUH NSRCs, besuchen Sie bitte https://science.osti.gov/User-Facilities/U ser-Facilities-at-a-Glance.
Artikel & Bild mit freundlicher Genehmigung von Argonne National Laboratory.
Von Joseph E. Harmon
Schätzen Sie die Originalität und Berichterstattung über CleanTechnica von CleanTechnica? Erwägen Sie, Mitglied, Unterstützer, Techniker oder Botschafter von CleanTechnica zu werden – oder Gönner auf Patreon.
Sie möchten keine Cleantech-Story verpassen? Melden Sie sich an für tägliche Nachrichten-Updates von CleanTechnica auf E-Mail. Oder Folgen Sie uns auf Google News!
Sie haben einen Tipp für CleanTechnica, möchten werben oder einen Gast für unseren CleanTech Talk Podcast vorschlagen? Kontaktieren Sie uns hier.