باستخدام التجارب سريعة الإجراء والخوارزميات المعتمدة على التعلم الآلي، يعمل باحثون في جامعة كاليفورنيا على تحديد المواد الجديدة لخلايا شمسية فعالة بشكل أكبر.
تقوم جامعة كاليفورنيا في كلية الهندسة باستخدام التعلم الآلي لتحديد مواد جديدة لخلايا شمسية فعالة بشكل أكبر. باستخدام التجارب سريعة الإجراء والخوارزميات المعتمدة على التعلم الآلي، وجد الباحثون أنه من الممكن توقع سلوك المواد الديناميكي بدقة عالية جدًا، دون الحاجة إلى إجراء العديد من التجارب.
التحدي الرئيسي في المجال هو أن أجهزة البيروفسكايت تتحلل بشكل أسرع من السيليكون عند تعرضها للرطوبة والأكسجين والضوء والحرارة والجهد، والمشكلة هي العثور على أفضل بيروفسكايت يجمع بين الأداء العالي والقدرة على التحمل في ظروف البيئة.
استخدم الباحثون التجارب سريعة الإجراء والتعلم الآلي لقياس كفاءة الضوء لخمسة أفلام بيروفسكايت مختلفة ضد ظروف أيام الصيف في ساكرامنتو. وقد تم جمع أكثر من 7،000 قياس في أسبوع، مما يكفي لإنشاء مجموعة تدريب موثوقة. وقد استخدموا هذه البيانات لتدريب ثلاثة خوارزميات تعلم آلي مختلفة، وقد أظهرت خوارزمية SARIMAX الأداء الأفضل مع 90٪ تطابق مع النتائج المرئية خلال فترة زمنية تزيد عن 50 ساعة.
باستخدام هذا النهج، يمكن استخدام التعلم الآلي في تحديد المواد المرشحة والظروف المناسبة لمنع التحلل في البيروفسكايت. وسيكون التوسع في التجارب هو الخطوة التالية لقياس الجمعيات المتعددة للعوامل البيئية. ويمكن أيضًا استخدام النهج نفسه لتوقع سلوك الجهاز الكامل للخلية الضوئية.
