太阳能电池|终结者救赎？加速清洁能源生产的新机器学习计划加速|太阳能电池|生产|学习计

文章插图
灵活的下一代太阳能电池的例子。来源：舒特斯托克/卢亚戈
从《终结者》和《刀片赛跑者》到《矩阵》，好莱坞教会了我们警惕人工智能。但是，算法不是在大屏幕上封杀我们的厄运，而是解决气候危机至少提出的一个问题。
ARC卓越中心在Exciton科学中心的研究人员已经成功地创建了一种新型的机器学习模型，用于预测可用于下一代有机太阳能电池的材料的功率转换效率（PCE），包括尚不存在的"虚拟"化合物。
【 太阳能电池|终结者救赎？加速清洁能源生产的新机器学习计划】与一些耗时且复杂的模型不同，最新方法快速、易于使用，代码可供所有科学家和工程师免费使用。
开发更高效、更用户友好的模型的关键就是用被分析的分子的简单且化学可解释的特征描述符来取代需要量子力学计算的复杂且计算成本高昂的参数。它们提供有关影响 PCE 的材料中最重要的化学片段的重要数据，生成可用于设计改进材料的信息。
在可再生能源需求以及可再生能源在减少碳排放方面的重要性比以往任何时候都要大的时候，新方法可能有助于显著加快设计更高效的太阳能电池的进程。研究结果发表在《自然》杂志《计算材料》上。
数十年来，人们一直依赖相对昂贵且缺乏灵活性的硅，但人们越来越关注有机光伏（OPV）太阳能电池，这种电池使用印刷技术的成本更低，而且用途更广，处理也更容易。
一个主要的挑战是整理大量可能适合的化合物，这些化合物可以合成（由科学家量身定做），用于OPV。
研究人员以前尝试过使用机器学习来解决这个问题，但许多模型非常耗时，需要大量的计算机处理能力，而且难以复制。而且，关键是，他们没有为寻求制造新的太阳能装置的实验科学家提供足够的指导。
现在，由纳斯塔兰·梅夫塔希博士和RMIT大学的萨尔维·鲁索教授以及莫纳什大学Udo Bach教授的团队领导的工作已经成功地解决了许多挑战。
Nastaran 说："大多数其他型号使用电子描述符，这些描述器复杂且计算成本高昂，而且无法进行化学解释。
"这意味着实验化学家或科学家无法从这些模型获得在实验室中设计和合成材料的想法。如果他们看我的模型，因为我使用简单，化学可解释的描述符，他们可以看到重要的片段。
纳斯塔兰的作品得到了CSIRO数据61、莫纳什大学、拉特罗贝大学和诺丁汉大学的合著者戴夫·温克勒教授的大力支持。温克勒教授共同创建了BioModeller程序，为新的开源模型提供了基础。
通过使用它，研究人员已经能够产生具有强大性和预测性的结果，并产生，除其他数据，在所检查的分子特征和未来OPV设备的效率之间的定量关系。
Nastaran 和她的同事现在打算扩大他们的工作范围，以包括更大、更准确的计算和实验数据集。