.
Pesquisadores da Universidade da Califórnia, Davis College of Engineering, estão usando aprendizado de máquina para identificar novos materiais para células solares de alta eficiência. Usando experimentos de alto rendimento e algoritmos baseados em aprendizado de máquina, eles descobriram que é possível prever o comportamento dinâmico dos materiais com precisão muito alta, sem a necessidade de realizar tantos experimentos.
A obra é capa da edição de abril da revista Cartas de Energia ACS.
As perovskitas híbridas são moléculas orgânico-inorgânicas que receberam muita atenção nos últimos 10 anos por seu uso potencial em energia renovável, disse Marina Leite, professora associada de ciência e engenharia de materiais na UC Davis e autora sênior do artigo. Alguns são comparáveis em eficiência ao silício para fabricar células solares, mas são mais baratos de fabricar e mais leves, permitindo potencialmente uma ampla gama de aplicações, incluindo dispositivos emissores de luz.
Um desafio primário no campo é que os dispositivos de perovskita tendem a se degradar muito mais facilmente do que o silício quando expostos à umidade, oxigênio, luz, calor e voltagem. O problema é descobrir quais perovskitas combinam desempenho de alta eficiência com resiliência às condições ambientais.
As perovskitas têm uma estrutura geral de ABX3, onde A é um grupo orgânico (baseado em carbono) ou inorgânico, B é chumbo ou estanho e X é um haleto (baseado em cloro, iodo ou flúor ou uma combinação). Portanto, “o número de combinações químicas possíveis por si só é enorme”, disse Leite. Além disso, eles precisam ser avaliados em várias condições ambientais, isoladamente e em combinação, o que resulta em um espaço de hiperparâmetros que não pode ser explorado usando métodos convencionais de tentativa e erro.
“O espaço de parâmetros químicos é enorme”, disse Leite. “Testar todos eles seria muito demorado e tedioso.”
Experimentos de alto rendimento e aprendizado de máquina
Como um primeiro e importante passo para resolver esses desafios, Leite e os alunos de pós-graduação Meghna Srivastava e Abigail Hering decidem testar se os algoritmos de aprendizado de máquina podem ser eficazes ao testar e prever os efeitos da umidade na degradação do material.
Srivastava e Hering construíram um sistema automatizado de alto rendimento para medir a eficiência da fotoluminescência de cinco diferentes filmes de perovskita contra as condições dos dias de verão em Sacramento. Eles conseguiram coletar mais de 7.000 medições em uma semana, acumulando dados suficientes para um conjunto de treinamento confiável.
Eles usaram esses dados para treinar três algoritmos diferentes de aprendizado de máquina: um modelo de regressão linear, uma rede neural e um modelo estatístico chamado SARIMAX. Eles compararam as previsões dos modelos com os resultados físicos medidos em laboratório. O modelo SARIMAX mostrou o melhor desempenho com uma correspondência de 90% com os resultados observados durante uma janela de mais de 50 horas.
“Esses resultados demonstram que podemos usar o aprendizado de máquina na identificação de materiais candidatos e condições adequadas para evitar a degradação em perovskitas”, disse Leite. Os próximos passos serão expandir os experimentos para quantificar combinações de múltiplos fatores ambientais.
O próprio filme de perovskita é apenas uma parte de uma célula fotovoltaica completa, disse Leite. A mesma abordagem de aprendizado de máquina também pode ser usada para prever o comportamento de um dispositivo completo.
“Nosso paradigma é único e estou ansioso para ver as próximas medições. Além disso, estou muito orgulhoso do empenho dos alunos durante a pandemia”, disse Leite.
Srivastava é bolsista da National Science Foundation em 2021. Os autores adicionais do artigo são Yu An e Juan-Pablo Correa-Baena, ambos da Georgia Tech. O trabalho foi apoiado por doações da National Science Foundation e Sandia National Laboratories.
.
