人工智能助力發現近乎創紀錄效率的太陽能電池材料
由於機器學習算法的應用，研究人員開發出了一種具有近乎創紀錄效率的鈣鈦礦太陽能電池的孔傳輸層。這項工作探索了化學空間的廣泛區域，速度遠超過傳統方法，並有潛力幫助揭示這類材料有效性的物理原理。
在太陽能電池中，當光子產生電子-孔對時，孔傳輸層的作用是將孔傳送到正電極。其效率直接影響電池的能量轉換效率。目前，市場上僅有少數幾種孔傳輸材料，這些材料主要是通過對現有結構的實驗性修改而非對機制的理解來發現的。
在這項新研究中，德國埃爾朗根-紐倫堡大學的材料科學家與卡爾斯魯厄理工學院的機器學習專家，以及韓國蔚山科技大學的光物理學家合作，尋找新的孔傳輸材料並了解哪些因素使其成功。埃爾朗根-紐倫堡大學的Anastasia Barabash表示：「一般來說，太陽能電池的半導體是通過結合供體部分和受體部分來設計的，因此使用鈴木反應來結合不同的共軛分子是一個不錯的主意，因為這種方法具備高通量並且在工業上廣泛應用。」
研究人員從一個超過一百萬個候選材料的綜合數據集中，首先選擇了101種結合供體和受體的分子，這些分子具有廣泛的特性。「我試圖選擇具有一維、二維和三維結構的分子，並考慮它們的高低移動率和高低溶解度。」他的同事Jianchang Wu解釋道。
研究人員使用合成的材料製作了太陽能電池，測量了能量轉換效率以及原始材料的特性，並將這些結果用作機器學習算法的訓練數據。該算法隨後選擇了24個候選材料，這些材料要麼最有前景，要麼最具潛在信息。在半自動化的過程中，這些材料被合成並納入太陽能電池中。經過兩輪進一步優化，研究人員最終得到的孔傳輸材料在單結構鈣鈦礦太陽能電池中的能量轉換效率高達26.2%，僅低於創紀錄的26.7%。
卡爾斯魯厄理工學院的Pascal Friederich表示，這項研究的重要性在於，研究人員生產了多種材料，這些材料的效率接近於此。Friederich希望這能幫助他們更好地理解理論。「我認為非常有趣的是，看看我們是否僅能使用自動化實驗室來優化材料，還是也能利用它們獲得有趣的見解以及對物理原理的更好理解。」他說。
研究人員現在計劃針對電子傳輸層進行研究，並希望最終能通過他們的機器學習和自動合成方法來優化整個電池。
伊利諾伊州西北大學的Ted Sargent將這項工作稱為「重大進展」，並表示研究人員「證明了機器學習能夠揭示材料設計中的隱藏關係，為更高效和更穩定的鈣鈦礦裝置鋪平了道路」。
Sargent小組的博士後研究員Cheng Liu也同意這項工作「代表了機器學習在鈣鈦礦光伏領域應用的一個重要里程碑。通過無縫整合高通量合成與預測建模，作者展示了一種創新且實用的方法，加速了太陽能轉換材料的發現。」
這項研究不僅展示了機器學習在材料科學中的潛力，還強調了跨學科合作的重要性。未來，隨著技術的進步，這種方法可能會在更廣泛的能源材料開發中發揮關鍵作用，為可持續能源的實現提供新的解決方案。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
