Ein Forschungsteam an der Universität von Zentralflorida hat künstliche Intelligenz (KI) auf die Forschung an Perowskit- Solarzellen (PSC) angewendet, um ein System zur Identifizierung der besten Materialien zu entwickeln. Das in PSC verwendete organisch-anorganische Halogenid-Perowskit-Material hilft bei der Umwandlung von Photovoltaik in verbrauchbare Energie. Diese Perowskit-Solarzellen können im festen oder flüssigen Zustand verarbeitet werden, wodurch Flexibilität geboten wird.
Die Forscher überprüften mehr als 2000 von Experten begutachtete Veröffentlichungen über Perowskite und sammelten mehr als 300 Datenpunkte, die dann in einen Algorithmus für maschinelles Lernen eingespeist wurden. Daraufhin analysierte das System die Informationen und sagte voraus, welches Rezept für die aufgesprühte Perowskit-Solartechnologie am besten funktionieren würde.
Die Forscher sagten, dass der Ansatz des maschinellen Lernens ihnen dabei half, zu verstehen, wie die Materialzusammensetzung optimiert und die besten Entwurfsstrategien und die potenzielle Leistung von Perowskit-Solarzellen vorhergesagt werden können. Die Vorhersagen für maschinelles Lernen entsprachen der Shockley-Queisser-Grenze. Maschinelles Lernen half auch bei der Vorhersage optimaler Grenzorbitalenergien zwischen der Transportschicht und der Perowskitschicht.
Aufgesprühte Solarzellen könnten verwendet werden, um Brücken, Gebäude, Häuser und andere Strukturen zu sprühen, um Licht einzufangen, es in Energie umzuwandeln und in das Stromnetz einzuspeisen. Es wird erwartet, dass die Formel zum Standardrezept / Leitfaden für die Herstellung flexibler, stabiler, effizienter und kostengünstiger Perowskite wird.
Die Forschung wurde in Advanced Energy Materials (www.doi.org/10.1002/aenm.201970181) veröffentlicht.