L'uso del Machine Learning per migliorare le celle solari

I ricercatori dell'Università della California, College of Engineering, stanno utilizzando il machine learning per identificare nuovi materiali per celle solari ad alta efficienza. La tecnica utilizzata prevede l'utilizzo di esperimenti ad alta velocità e algoritmi basati sul machine learning per prevedere il comportamento dinamico dei materiali con una precisione molto elevata, senza la necessità di eseguire molti esperimenti. I perovskiti ibridi sono molecole organiche-inorganiche che hanno ricevuto molta attenzione negli ultimi 10 anni per il loro potenziale uso nell'energia rinnovabile. Alcuni sono comparabili in efficienza al silicio per la realizzazione di celle solari, ma sono più economici da produrre e più leggeri, consentendo una vasta gamma di applicazioni, tra cui dispositivi emettitori di luce. Una sfida primaria nel settore è che i dispositivi a perovskiti tendono a degradarsi molto più facilmente rispetto al silicio quando esposti all'umidità, all'ossigeno, alla luce, al calore e alla tensione. Il problema è trovare quali perovskiti combinano prestazioni ad alta efficienza con la resilienza alle condizioni ambientali. La tecnica utilizzata dai ricercatori dell'Università della California è stata quella di testare se gli algoritmi di machine learning potessero essere efficaci nella previsione degli effetti dell'umidità sul degrado del materiale. Hanno creato un sistema automatizzato ad alta velocità per misurare l'efficienza della fotoluminescenza di cinque diversi film di perovskite contro le condizioni delle giornate estive a Sacramento. Hanno raccolto oltre 7.000 misurazioni in una settimana, accumulando abbastanza dati per un set di addestramento affidabile. Hanno utilizzato questi dati per addestrare tre diversi algoritmi di machine learning: un modello di regressione lineare, una rete neurale e un modello statistico chiamato SARIMAX. Hanno confrontato le previsioni dei modelli con i risultati fisici misurati in laboratorio. Il modello SARIMAX ha mostrato la migliore performance con una corrispondenza del 90 percento rispetto ai risultati osservati durante una finestra di oltre 50 ore. Questi risultati dimostrano che si può fare uso del machine learning nell'identificare materiali candidati e condizioni adatte per prevenire il degrado nei perovskiti. I prossimi passi saranno quelli di espandere gli esperimenti per quantificare le combinazioni di più fattori ambientali. La stessa tecnica di machine learning potrebbe essere utilizzata per prevedere il comportamento di un dispositivo fotovoltaico completo. La tecnica utilizzata dai ricercatori dell'Università della California è innovativa e promettente per il futuro dell'energia rinnovabile. Speriamo che questo tipo di ricerca possa essere supportata e finanziata dal governo e dalle aziende del settore per raggiungere un futuro più sostenibile.