El proceso de prueba de nuevas tecnologías de células solares ha sido tradicionalmente lento y costoso, y requiere múltiples pasos.Dirigido por un doctorado de quinto año.Estudiante, un equipo de Johns Hopkins ha desarrollado un método de aprendizaje automático que promete acelerar drásticamente este proceso, allanando el camino para soluciones de energía renovable más eficientes y asequibles.

"Nuestro trabajo muestra que el aprendizaje automático puede agilizar el proceso de prueba de células solares", dijo el líder del equipo Kevin Lee, quien trabajó con sus compañeros estudiantes de posgrado en ingeniería eléctrica e informática Arlene Chiu, Yida Lin, Sreyas Chintapalli y Serene Kamal, y el estudiante universitario Eric Ji.en el proyecto."Esto no sólo ahorra tiempo y recursos, sino que abre nuevas posibilidades para el desarrollo de tecnologías de energía limpia".

el equiporesultadosaparecer enSistemas inteligentes avanzados.

Un obstáculo importante en la comercialización de nuevos materiales y dispositivos solares es el largo ciclo de fabricación, prueba e iteración.Optimizar un nuevo material para células solares para el mercado es un proceso arduo.Una vez fabricado un dispositivo, se necesitan múltiples mediciones que requieren mucho tiempo para comprender su funcionamiento.propiedades de los materiales.Estos datos luego se utilizan para ajustar el proceso de fabricación, repitiendo el ciclo.

El nuevo método reduce drásticamente este tiempo al extraer todas las características importantes de los materiales de una sola medición.A diferencia de otros métodos entrenados con datos simulados por computadora, que a menudo producen resultados inexactos, el enfoque del equipo de Hopkins utiliza datos del mundo real.

Sured neuronalrecopila miles de puntos de datos de una celda solar, capturando propiedades complejas y variaciones causadas por defectos, como rayas, grietas y contaminantes, y eliminando la necesidad de fabricar miles decélulas solares.

"El método de Kevin tiene el potencial de acelerar los tiempos de desarrollo fotovoltaico", dijo la asesora de Lee y coautora del estudio, Susanna Thon, profesora asociada de ingeniería eléctrica e informática en la Escuela de Ingeniería Whiting de JHU y directora asociada de Ralph O'Connor Sustainable de la universidad.Instituto de Energía.

"En lugar de realizar laboriosamente múltiples mediciones en muchos dispositivos para aprender lo que necesita saber sobre el comportamiento del dispositivo, Kevin, gracias a su algoritmo [de aprendizaje automático], ahora puede decirle todo lo que desea saber sobre undispositivoy sus propiedades a partir de una única medición que tarda unos 30 segundos".La otra característica novedosa del sistema de Lee es que toma mapas espaciales de datos de células solares y los convierte en imágenes.

"Normalmente una de las mediciones más comunes que se obtienen después de crear una nueva célula solar se llama curva JV, y lo que hace es medir la respuesta de la célula a la luz", dijo Lee.

"Tuvimos la idea de convertir estos mapas de curvas JV en imágenes para poder aprovechar las ventajas avanzadas.

aprendizaje automáticomodelos desarrollados para aplicaciones que no están enciencias de los materiales, sino en visión por computadora, para aprender patrones en el comportamiento de las células solares".Otro beneficio del nuevo método es su aplicabilidad a diversos materiales y dispositivos más allá de las células solares, lo que potencialmente acelera el cronograma desde el descubrimiento del material hasta la adopción en el mercado.

"En teoría, el sistema que desarrollamos podría usarse para medir otros dispositivos, como transistores y sensores de luz", dijo Lee.

"El tiempo ahorrado y la precisión de este sistema podrían conducir a la creación de una amplia gama de nuevas tecnologías mucho más rápidamente, lo cual me entusiasma que suceda".

Más información:Hoon Jeong Lee et al, Predicción de parámetros de células solares de puntos cuánticos coloidales PbS utilizando redes neuronales entrenadas con datos experimentales,Sistemas inteligentes avanzados(2024).DOI: 10.1002/aisy.202400310