Μια ερευνητική ομάδα στο Πανεπιστήμιο της Κεντρικής Φλόριντα εφάρμοσε την Τεχνητή Νοημοσύνη (AI) στην έρευνα ηλιακών κυττάρων perovskite (PSC) για να αναπτύξει ένα σύστημα για τον εντοπισμό των καλύτερων υλικών. Το υλικό οργανικού-ανόργανου υπεροβσκίτη αλογονιδίου που χρησιμοποιείται στο PSC βοηθά στη μετατροπή της φωτοβολταϊκής ισχύος σε αναλώσιμη ενέργεια. Αυτά τα ηλιακά κύτταρα υπεροβσκίτη μπορούν να υποστούν επεξεργασία σε στερεά ή υγρή κατάσταση προσφέροντας έτσι ευελιξία.
Οι ερευνητές εξέτασαν περισσότερες από 2000 δημοσιεύσεις από ομοτίμους σχετικά με τους περοβσκίτες και συνέλεξαν περισσότερα από 300 σημεία δεδομένων τα οποία στη συνέχεια τροφοδοτήθηκαν σε έναν αλγόριθμο μηχανικής μάθησης. Στη συνέχεια, το σύστημα ανέλυσε τις πληροφορίες και προέβλεψε ποια συνταγή για την τεχνολογία ηλιακής περοβσκίτης ψεκασμού θα λειτουργούσε καλύτερα.
Οι ερευνητές δήλωσαν ότι η προσέγγιση μηχανικής μάθησης τους βοήθησε να κατανοήσουν πώς να βελτιστοποιήσουν τη σύνθεση του υλικού και να προβλέψουν τις καλύτερες στρατηγικές σχεδιασμού και την πιθανή απόδοση των ηλιακών κυττάρων του περοβσκίτη. Οι προβλέψεις μηχανικής μάθησης αντιστοιχούσαν στο όριο Shockley-Queisser. Η μηχανική μάθηση βοήθησε επίσης στην πρόβλεψη βέλτιστων ενεργειακών τροχιακών συνόρων μεταξύ του στρώματος μεταφοράς και του στρώματος περοβσκίτη.
Τα ηλιακά κύτταρα ψεκασμού θα μπορούσαν να χρησιμοποιηθούν για να ψεκάσουν γέφυρες, κτίρια, σπίτια και άλλες κατασκευές για να συλλάβουν φως, να το μετατρέψουν σε ενέργεια και να το τροφοδοτήσουν στο ηλεκτρικό δίκτυο. Αναμένεται ότι ο τύπος θα μπορούσε να γίνει η τυπική συνταγή / οδηγός για την κατασκευή ευέλικτων, σταθερών, αποδοτικών και χαμηλού κόστους περοβσκίτη.
Η έρευνα δημοσιεύθηκε στο Advanced Energy Materials (www.doi.org/10.1002/aenm.201970181).