Een onderzoeksteam van de University of Central Florida heeft kunstmatige intelligentie (AI) toegepast op onderzoek naar perovskietzonnecellen (PSC) om een systeem te ontwikkelen om de beste materialen te identificeren. Het organisch-anorganische halogenide perovskietmateriaal dat in PSC wordt gebruikt, helpt bij het omzetten van fotovoltaïsche energie in verbruikbare energie. Deze perovskiet-zonnecellen kunnen in vaste of vloeibare toestand worden verwerkt en bieden daardoor flexibiliteit.
De onderzoekers beoordeelden meer dan 2000 peer-reviewed publicaties over perovskieten en verzamelden meer dan 300 datapunten die vervolgens in een algoritme voor machine learning werden ingevoerd. Vervolgens analyseerde het systeem de informatie en voorspelde welk recept voor opspuiten van perovskiet-zonnetechnologie het beste zou werken.
De onderzoekers zeiden dat de machine learning-benadering hen hielp te begrijpen hoe de materiaalsamenstelling te optimaliseren en de beste ontwerpstrategieën en potentiële prestaties van perovskiet-zonnecellen te voorspellen. De voorspellingen van machine learning kwamen overeen met de Shockley-Queisser-limiet. Machinaal leren hielp ook bij het voorspellen van optimale grens-orbitale energieën tussen de transportlaag en de perovskietlaag.
Opspuitbare zonnecellen kunnen worden gebruikt om bruggen, gebouwen, huizen en andere constructies te spuiten om licht op te vangen, om te zetten in energie en om het aan het elektriciteitsnet te leveren. Verwacht wordt dat de formule het standaardrecept / gids zou kunnen worden voor het maken van flexibele, stabiele, efficiënte en goedkope perovskieten.
Het onderzoek is gepubliceerd in Advanced Energy Materials (www.doi.org/10.1002/aenm.201970181).