Исследователи используют машинное обучение для оптимизации дизайна солнечных элементов

Фронт Парето от многоцелевой оптимизации.Кредит: APL Machine Learning (2024).Doi: 10.1063/5.0187208.APL Machine Learning (2024).Doi: 10.1063/5.0187208

As the most abundant energy source on earth, solar energy is a promising alternative in the pivot toward clean energy. However, current commercial solar cells are only 20% efficient in converting light into usable energy.

Солнечные элементы тандем, в которых множественные солнечные батареи сложены друг на друга, потенциально более эффективны.Каждый клеточный слой чувствителен к различным длине волны света, что позволяет захватить энергию, которая в противном случае может быть потеряна.

Верхний слой тандемного солнечного элемента обычно позволяет проходить определенные полосы энергии света и быть захваченным нижним слоем.Было обнаружено, что изготовление верхнего слоя типом материала, известного как перовскит, повышает эффективность солнечных элементов далеко за пределы текущего 20% -ного порога.

Dr. Xue Hansong from the Singapore University of Technology and Design (SUTD) explains that perovskite solar cells “can be tailored to have outstanding optoelectronic properties, including a high absorption coefficient, high defect tolerance, and a tunable bandgap.”

Эти ячейки могут быть сложными для проектирования и изготовления.Максимизация их эффективности часто происходит по цене увеличения затрат на материалы.

Для разработки солнечных элементов перовскита, которые балансируют эффективность с эффективностью экономии, используется метод оптимизации фронта Парето, в результате чего оптимальные решения идентифицируются на основе их компромиссов между двумя параметрами эффективности и затрат.Но этот метод может быть чрезвычайно трудоемким из-за огромной сложности задействованных расчетов.

Чтобы решить это, доктор Сюэ сотрудничал с исследователями из Национального университета Сингапура и Университета Торонто, чтобы включить машинное обучение в метод оптимизации фронта Парето.

В частности, команда обратилась к обучению нейронной сети для своего исследования, опубликованного в журнале APL Machine Learning, под названием «Изучение оптимального пространства проектирования прозрачных солнечных элементов Perosskite для четырех концевых тандемных приложений посредством оптимизации фронта Pareto».

Доктор Сюэ и его команда сначала сгенерировали набор данных, используя опто-электронную электрическую модель для расчета эффективности для различных конфигураций солнечных элементов с четырех концевым (4T) перовскитом, индийно-селенид-тандем, тандемные солнечные элементы.С этими данными они затем обучали нейронную сеть, чтобы они могли быстро имитировать и предсказать эффективность любого тандемного тандемного элемента 4T в различных параметрах.

Использование нейронной сети для прогнозирования эффективности значительно сократило время, необходимое для выполнения оптимизации фронта Парето.«Нейронная сеть потребовалось всего 11 часов, чтобы предсказать эффективность 3500 различных устройств. Выполнение той же моделирования с исходной оптоэлектронной электрической моделью заняло бы примерно шесть месяцев»,-сказал доктор Сюэ.

С сохраненным временем команда могла бы быстро проанализировать различные моделирования и определить оптимальную конфигурацию солнечного элемента 4T тандема, которая максимизирует эффективность с минимальными затратами.Фактически, оптимальная конфигурация, предсказанная нейронной сетью, показала повышенную эффективность на 30,4% при одновременном снижении затрат на материалы на 50%.Сравнение этой конструкции с существующими экспериментальными также предоставило исследователям новое понимание.

«Прогнозируемые оптимальные ячейки показывают более тонкие передние контактные электроды, транспортные слои с зарядом и обратные контактные электроды»,-сказал доктор Сюэ.Последствия этого вывода не могут быть преуменьшены-они указали на транспорт с перевозкой заряда, возможно, являются критическим фактором в оптимизации тандемных клеток перовскита.

For Dr. Xue, the success of the novel neural network model is only just the beginning in improving solar cell efficiency. Through the use of design, AI and technology, the fabrication of solar cells can become more efficient, cost-effective, and versatile, contributing significantly to the advancement of renewable energy solutions.

Команда также стремится построить свою нейронную сеть, интегрируя различные материалы.Они включают в себя использование различных материалов для транспортного слоя, а также соединений перовскита с различными характеристиками.

Существуют также планы по расширению своего подхода к более широкому диапазону архитектур тандемного устройства, таких как все-перовскит, перовскит-наорганические и перовскит-на-силиконовые солнечные элементы.

More information: Hu Quee Tan et al, Exploring the optimal design space of transparent perovskite solar cells for four-terminal tandem applications through Pareto front optimization, APL Machine Learning (2024). DOI: 10.1063/5.0187208