Forscher In Den USA Und China Nutzen Maschinelles Lernen, Um Bessere Solarmodule Herzustellen
Forscher In Den USA Und China Nutzen Maschinelles Lernen, Um Bessere Solarmodule Herzustellen
Video: Forscher In Den USA Und China Nutzen Maschinelles Lernen, Um Bessere Solarmodule Herzustellen
Video: AFGHANISTAN-KRIEG: Herfried Münkler - "Reguläre verlieren, wenn sie nicht gewinnen" | WELT Interview 2023, Februar
Anonim

Solarenergie und fortschrittliche Computer sind ein wichtiger Schnittpunkt für Cleantech. Von der Optimierung der Rendite erneuerbarer Energien bis hin zum optimalen kommerziellen Solareinsatz auf Dächern hilft uns maschinelles Lernen dabei, bei unserer globalen Transformation effizienter und effektiver zu werden.

Aber es ist tiefer. Forscher in den USA und China nutzen maschinelles Lernen, um neue Solarpanel-Chemien zu entdecken, um die Basiseffizienz und die wirtschaftliche Effektivität von Solarpanels zu erhöhen. Sie testen Hunderte oder Tausende von Kombinationen in virtuellen Prüfständen, bevor sie sie in die physische Welt bringen, ein Schlüsselelement des Machine-to-Reality-Wertversprechens.

Helles Licht und Strahlenillustration
Helles Licht und Strahlenillustration

Bild mit freundlicher Genehmigung des US Pacific Northwest National Laboratory

Beginnen wir in den USA mit Jinxin Li, Basudev Pradhan, Surya Gaur und Jayan Thomas vom sonnenverwöhnten Campus der University of Central Florida. Ihr Fokus liegt auf Perowskit-Solarmodulen. Dieses chemische Set mit anorganischen und organischen Elementen hat Wirkungsgrade von 28% erreicht, übertrifft die Standard-Maximalwirkungsgrade von Silizium und entwickelt sich schnell. Allerdings sind die Gestaltungsmöglichkeiten sehr groß und die Zahl der Forscher begrenzt. In ihrer Studie, die unter dem Titel Predictions and Strategies Learned from Machine Learning to Develop High Performance Perovskite Solar Cells in Wiley veröffentlicht wurde, versuchte das Team, diesen Prozess zu vereinfachen. Sie verwendeten 333 Datenpunkte aus etwa 2.000 Peer-Review-Studien zu diesem Thema, um ein Modell zu trainieren, um nach Chemikalien mit höherer Wahrscheinlichkeit zu suchen. Sie haben nicht nur die wahrscheinlichsten Kandidaten für die physikalische Forschung identifiziert, sondern mit angemessener Genauigkeit die Leistung basierend auf den zugrunde liegenden chemischen Faktoren vorhergesagt. Ihre Arbeit unterstützt und schlägt vor, sich dem theoretischen Shockley-Queisser-Limit auch für die Effizienz einzelner Solarzellen anzunähern. Während der Preis von Solarmodulen hauptsächlich aufgrund massiver Skaleneffekte bei Herstellung, Vertrieb und Bau gesunken ist, kann die Effizienzsteigerung mit billigen und reichlich vorhandenen Mineralien noch Früchte tragen.

Ebenfalls in den USA sind Baskar Ganapathysubramanian und ein Team der Iowa State University, unterstützt durch Zuschüsse der Advanced Research Projects Agency – Energy (ARPA-E) des Department of Energy. Das erweiterte Team umfasst die Vereinigten Staaten mit der New York University, der kalifornischen Stanford University und einem Mitglied des NREL in Colorado. Ihr Fokus liegt auf der Anwendung von maschinellem Lernen auf organische Dünnschicht-Solarmodule. Diese Untergruppe der Solartechnologie war weniger effizient als herkömmliche Solarmodule und die Perowskit-Chemie, aber der Vorteil wird im Namen hervorgehoben. Dünne bedeutet Leichtigkeit, Flexibilität und sogar Transparenz. Sie wurden in der integrierten Photovoltaik in Verbrauchergeräten, in Fensterscheiben zur Stromerzeugung und in konventionellen Solarparks eingesetzt, sind aber in den letzten Jahren zugunsten effizienterer Technologien zurückgegangen. Auch sie haben Raum für Verbesserungen, stoßen aber auf das gleiche Problem der Vielzahl von kompositorischen Entscheidungen, die mit herkömmlichen Forschungsansätzen schwer zu bewältigen sind. Betritt das Team von Ganapathysubramanian. Ihre Absicht ist die gleiche wie die der Perowskit-orientierten Forscher, Chemikalien zu finden, die effizienter und billiger in der Herstellung sind. Für sie stehen sie noch am Anfang und ihre Arbeit dient einem größeren Ziel, den Ansatz auf mehrere Domänen anzuwenden.

Das nächste Team, das an Solartechnologie mit maschinellen Lernansätzen arbeitet, sind Wenbo Sun, Yujie Zheng et al. von der Chongqing University, der North China University of Science and Technology und der Chinese Academy of Sciences. Ihr Fokus liegt auf dem entstehenden Raum der organischen Solarzellen, die mithilfe organischer Polymere oder Moleküle die Sonnenenergie einfangen und in nutzbaren Strom umwandeln. Der Wirkungsgrad ist in diesem Bereich bisher noch geringer, mit maximalen Wirkungsgraden unter 20 % bisher. Aber die Palette der organischen Chemie ist riesig, es ist ein neues Feld, und die Vorteile sind groß, wenn sie effizienter und langlebiger gemacht werden können. Auch dies ist eine leichte Dünnschichttechnologie und von Natur aus flexibel und schnell herzustellen. Und wieder kommt maschinelles Lernen zur Rettung. Da der Ansatz Daten erfordert und organische Filme relativ neu sind, begann das Team zunächst mit der Zusammenstellung eines riesigen Datensatzes von über 1.700 Materialien aus der Literatur. Anschließend untersuchten sie, wie man die molekularen Strukturen am effektivsten für die Anwendung von Ansätzen des maschinellen Lernens abbilden kann, und verifizierten es schließlich gegen eine neue Reihe von Materialien, um die Vorhersagequalität zu bewerten. Und die Vorhersagequalität ist gut. Erwarten Sie von diesem Team in den kommenden Jahren weitere Fortschritte in dieser Solartechnologie und eine neue Generation dünner, leichter und billiger Solarmodule, die aus China entstehen werden.

Die Welt ist riesig, und die Chemikalien und organischen Verbindungen darin sind zahllos und schwindelerregend in ihren Kombinationen und Kombinationen. Maschinelles Lernen hilft Forschern, die höchstwahrscheinlichen Kombinationen für eine effizientere und billigere Solartechnologie zu finden, von der alle auf der Welt profitieren werden.

Beliebt nach Thema