Производство солнечных элементов на основе перовскита предполагает одновременную оптимизацию по меньшей мере дюжины или около того переменных, даже в рамках одного конкретного производственного подхода из множества возможных. Но новая система, основанная на новом подходе к машинному обучению, может ускорить разработку оптимизированных методов производства и помочь воплотить следующее поколение солнечной энергии в реальность.

Система, разработанная исследователями Массачусетского технологического института и Стэнфордского университета за последние несколько лет, позволяет интегрировать данные предыдущих экспериментов и информацию, основанную на личных наблюдениях опытных работников, в процесс машинного обучения. Это делает результаты более точными и уже привело к производству перовскитовых элементов с эффективностью преобразования энергии 18,5%, что является конкурентоспособным уровнем для современного рынка.

Об исследовании сообщается в журнале Джоуль, в статье профессора машиностроения Массачусетского технологического института Тонио Буонассиси, профессора материаловедения и инженерии Стэнфорда Рейнхольда Даускардта, недавнего научного сотрудника Массачусетского технологического института Чжэ Лю, докторанта Стэнфорда Николаса Ролстона и трех других.

Перовскиты представляют собой группу слоистых кристаллических соединений, определяемых конфигурацией атомов в их кристаллической решетке. Существуют тысячи таких возможных соединений и множество различных способов их получения. В то время как в большинстве лабораторных разработок перовскитных материалов используется технология нанесения покрытия методом отжима, это непрактично для крупномасштабного производства, поэтому компании и лаборатории по всему миру ищут способы превратить эти лабораторные материалы в практичный, технологичный продукт.

"Всегда возникает большая проблема, когда вы пытаетесь взять лабораторный процесс, а затем перенести его на что-то вроде стартапа или производственной линии", - говорит Ролстон, который сейчас является доцентом Университета штата Аризона. Команда рассмотрела процесс, который, по их мнению, обладал наибольшим потенциалом, - метод, называемый быстрой обработкой распылительной плазмой, или RSPP.

Производственный процесс будет включать в себя движущуюся от рулона к рулону поверхность или серию листов, на которые будут распыляться растворы предшественников для перовскитового соединения или распыляться струйной краской по мере прокатки листа. Затем материал перейдет к стадии отверждения, обеспечивая быстрый и непрерывный выход "с производительностью, которая выше, чем у любой другой фотоэлектрической технологии", - говорит Ролстон.

"Настоящий прорыв с этой платформой заключается в том, что она позволит нам масштабироваться так, как нам не позволял ни один другой материал", - добавляет он. "Даже такие материалы, как кремний, требуют гораздо более длительного периода времени из-за выполняемой обработки. В то время как вы можете думать об [этом подходе больше] как о покраске распылением ".

В рамках этого процесса по меньшей мере дюжина переменных может повлиять на результат, некоторые из них более контролируемы, чем другие. К ним относятся состав исходных материалов, температура, влажность, скорость технологического процесса, расстояние от сопла, используемого для распыления материала на подложку, и методы отверждения материала. Многие из этих факторов могут взаимодействовать друг с другом, и если процесс происходит на открытом воздухе, то влажность, например, может быть неконтролируемой. Оценить все возможные комбинации этих переменных с помощью экспериментов невозможно, поэтому для руководства процессом эксперимента было необходимо машинное обучение.

Но в то время как большинство систем машинного обучения используют исходные данные, такие как измерения электрических и других свойств тестовых образцов, они обычно не включают человеческий опыт, такой как качественные наблюдения, сделанные экспериментаторами за визуальными и другими свойствами тестовых образцов, или информацию из других экспериментов, о которых сообщают другие исследователи. Итак, команда нашла способ включить такую внешнюю информацию в модель машинного обучения, используя коэффициент вероятности, основанный на математическом методе, называемом байесовской оптимизацией.

Используя систему, говорит он, "имея модель, основанную на экспериментальных данных, мы можем обнаружить тенденции, которые раньше не могли видеть". Например, изначально у них были проблемы с адаптацией к неконтролируемым колебаниям влажности окружающей среды. Но модель показала им, "что мы могли бы преодолеть наши проблемы с влажностью, изменив температуру, например, и изменив некоторые другие ручки".

Теперь система позволяет экспериментаторам гораздо быстрее управлять своим процессом, чтобы оптимизировать его для заданного набора условий или требуемых результатов. В своих экспериментах команда сосредоточилась на оптимизации выходной мощности, но система также может быть использована для одновременного учета других критериев, таких как стоимость и долговечность - над чем члены команды продолжают работать, говорит Буонасиси.

Министерство энергетики, которое спонсировало работу, вдохновило исследователей на коммерциализацию технологии, и в настоящее время они сосредоточены на передаче технологий существующим производителям перовскита. "Сейчас мы обращаемся к компаниям", - говорит Буонассиси, и разработанный ими код был предоставлен в свободный доступ через сервер с открытым исходным кодом. "Теперь это на GitHub, любой может скачать его, любой может запустить его", - говорит он. "Мы рады помочь компаниям начать использовать наш код".

По словам Лю, который сейчас работает в Северо-Западном политехническом университете в Сиане, Китай, несколько компаний уже готовятся к производству солнечных панелей на основе перовскита, хотя они все еще разрабатывают детали того, как их производить. Он говорит, что компании там пока не занимаются крупномасштабным производством, а вместо этого начинают с небольших, дорогостоящих приложений, таких как интегрированные в здания солнечные панели, где важен внешний вид. Три из этих компаний "находятся на пути или подталкиваются инвесторами к производству прямоугольных модулей размером 1 на 2 метра [сопоставимых с наиболее распространенными на сегодняшний день солнечными панелями] в течение двух лет", - говорит он.

"Проблема в том, что у них нет единого мнения о том, какую технологию производства использовать", - говорит Лю. Метод RSPP, разработанный в Стэнфорде, "все еще имеет хорошие шансы" быть конкурентоспособным, говорит он. И система машинного обучения, разработанная командой, может оказаться важной для оптимизации любого процесса, который в конечном итоге будет использоваться.

"Основной целью было ускорить процесс, чтобы потребовалось меньше времени, меньше экспериментов и меньше человеческих часов для разработки чего-то, что можно использовать сразу, бесплатно, для промышленности", - говорит он.

В состав команды также входили Остин Флик и Томас Колберн из Стэнфорда и Зекун Рен из Сингапурско-Массачусетского технологического альянса по науке и технологиям (SMART). Помимо Министерства энергетики, работа была поддержана стипендией MIT Energy Initiative, программой стипендий для аспирантов Национального научного фонда и программой SMART.