Genom att ta hjälp av maskininlärning för att designa nya polymerer till organiska solceller skulle japanska forskare kunna accelerera utvecklingen av solceller.
Organiska solceller är en lovande solcellstyp som baserar sig på en ljusabsorberande organisk molekyl i kombination med en halvledande polymer. Även om de är billiga och lätta att tillverka är de organiska solcellernas verkningsgrad emellertid fortfarande för låg för fullskalig kommersialisering.
Verkningsgraden hos en organisk solcell beror både på det organiska lagret och polymerlagret. Tidigare har forskarna experimenterat med olika kombinationer genom att blint testa sig fram, vilket lett till mycket bortkastad tid och ansträngning.
Nu har en grupp forskare vid Osaka University i Japan använt datorkraft för att automatisera sökandet efter solcellsmaterial som matchar varandra väl.
- Valet av polymer påverkar flera egenskaper, som kortslutningsström, som direkt bestämmer verkningsgraden. Det finns emellertid inget lätt sätt att designa polymerer med förbättrade egenskaper. Traditionell kemisk kunskap räcker inte. Istället använde vi artificiell intelligens för att vägleda designprocessen, förklarar Shinji Nagasawa vid Osaka University.
Genom att hitta statistiska trender som undgår mänskliga experter gör artificiell intelligens det möjligt att förstå sig på stora och komplexa datamängder. Efter att ha samlat in data om 1 200 organiska solceller från omkring 500 tidigare forskningsstudier kunde forskarna därför använda sig av en maskininlärningsmetod kallad slumpmässig skog för att konstruera en modell som kombinerar polymerernas egenskaper med den resulterande verkningsgraden för att förutspå verkningsgraden hos nya material.
- Maskininlärning skulle kunna accelerera utvecklingen av solceller kraftigt eftersom den omedelbart förutspår resultat som skulle ta månader att komma fram till i laboratoriet, säger Akinori Saeki vid Osaka University.
