新しい太陽電池技術をテストするプロセスは従来、時間がかかり、コストがかかり、複数のステップが必要でした。博士課程5年生が指導します。ジョンズ・ホプキンスの学生であるチームは、このプロセスを劇的にスピードアップし、より効率的で手頃な再生可能エネルギー ソリューションへの道を開くことを約束する機械学習手法を開発しました。

「私たちの研究は、機械学習が太陽電池のテストプロセスを合理化できることを示しています」と、電気工学およびコンピュータ工学の大学院生であるアーリーン・チウ氏、イーダ・リン氏、スレヤス・チンタパリ氏、セリーン・カマル氏、および学部生のエリック・ジー氏らと協力したチームリーダーのケビン・リー氏は述べた。プロジェクト上で。「これにより、時間とリソースが節約されるだけでなく、クリーン エネルギー技術開発の新たな可能性が開かれます。」

チームの結果に登場する高度なインテリジェントシステム。

新しい太陽電池材料やデバイスを商品化する際の大きなハードルは、製造、試験、反復のサイクルが長いことです。新しい太陽電池材料を市場向けに最適化することは困難なプロセスです。デバイスの製造後、そのデバイスを理解するには、時間のかかる測定を複数回行う必要があります。材料特性。次に、このデータを使用して製造プロセスを調整し、このサイクルを繰り返します。

新しい方法は、1 回の測定からすべての材料の重要な特性を抽出することで、時間を大幅に短縮します。コンピューターでシミュレートされたデータでトレーニングされた他の手法 (不正確な結果が生成されることが多い) とは異なり、ホプキンス チームのアプローチでは現実世界のデータが使用されます。

彼らのニューラルネットワーク1 つの太陽電池から数千のデータ ポイントを収集し、スピン キャストの縞、亀裂、汚染物質などの欠陥によって引き起こされる複雑な特性と変化を捕捉し、何千もの太陽電池を製造する必要性を排除します。太陽電池。

「ケビン氏の方法は、太陽光発電の開発時間を短縮する可能性を秘めています」と、リー氏の顧問で研究共著者のスザンナ・ソン氏は語った。スザンナ・ソン氏はJHUホワイティング工学院電気・コンピュータ工学准教授で、同大学ラルフ・オコナー・サステイナブル部門の副ディレクターである。エネルギー研究所。

「デバイスの動作について知る必要があることを知るために、多くのデバイスで複数の測定を苦労して行う代わりに、ケビンは彼の [機械学習] アルゴリズムのおかげで、デバイスについて知りたいことをすべて教えてくれるようになりました。デバイス約 30 秒かかる 1 回の測定でその特性を把握できます。」Lee のシステムのもう 1 つの新しい特徴は、太陽電池からデータの空間マップを取得し、それらを画像に変換することです。

「通常、新しい太陽電池を作成した後に得られる最も一般的な測定値の 1 つは JV 曲線と呼ばれるもので、これが行うことは光に対する電池の応答を測定することです」と Lee 氏は述べています。

「私たちは、高度な機能を活用できるように、これらの JV 曲線マップを画像に変換するというアイデアを思いつきました。

機械学習にないアプリケーション向けに開発されたモデル材料科学ただし、コンピューター ビジョンでは、太陽電池の動作のパターンを学習します。」新しい方法のもう 1 つの利点は、太陽電池を超えてさまざまな材料やデバイスに適用できることであり、材料の発見から市場採用までのタイムラインが加速する可能性があります。

「理論的には、私たちが開発したシステムは、トランジスタや光センサーなどの他のデバイスの測定にも使用できます」とリー氏は語った。

「時間が節約され、このシステムの精度により、さまざまな新しいテクノロジーがより迅速に作成される可能性があり、それが実現するのを楽しみにしています。」

詳細情報:Hoon Jeong Lee 他、実験データで訓練されたニューラル ネットワークを使用した PbS コロイド量子ドット太陽電池パラメータの予測、高度なインテリジェントシステム（2024年）。DOI: 10.1002/aisy.202400310