Исследователи из ARC Center of Excellence in Exciton Science успешно создали новый тип модели машинного обучения для прогнозирования эффективности преобразования энергии (PCE) материалов, которые могут быть использованы в органических солнечных элементах следующего поколения, включая "виртуальные" соединения, которые еще не существует. В отличие от некоторых трудоемких и сложных моделей, последний подход является быстрым, простым в использовании, а код доступен бесплатно для всех ученых и инженеров.
Ключом к разработке более эффективной и удобной для пользователя модели была замена сложных и дорогостоящих в вычислительном отношении параметров, требующих квантово-механических расчетов, на более простые и химически интерпретируемые дескрипторы сигнатур анализируемых молекул. Они предоставляют важные данные о наиболее значимых химических фрагментах в материалах, которые влияют на PCE, генерируя информацию, которую можно использовать для разработки улучшенных материалов.
Новый подход может помочь значительно ускорить процесс разработки более эффективных солнечных элементов в то время, когда спрос на возобновляемые источники энергии и их важность для сокращения выбросов углерода как никогда высоки. Результаты были опубликованы в журнале Nature Computational Materials.
После десятилетий использования кремния, который является относительно дорогим и недостаточно гибким, все больше внимания уделяется органическим фотоэлектрическим (OPV) солнечным элементам, которые будут дешевле производить с использованием технологий печати, а также будут более универсальными и простыми в утилизации.
Основная проблема заключается в сортировке огромного объема потенциально подходящих химических соединений, которые могут быть синтезированы (адаптированы учеными) для использования в ОПВ. Исследователи и раньше пытались использовать машинное обучение для решения этой проблемы, но многие из этих моделей отнимали много времени, требовали значительной вычислительной мощности компьютера и их было трудно воспроизвести. И, что особенно важно, они не давали достаточного руководства ученым-экспериментаторам, стремящимся создать новые солнечные устройства.
Теперь работа, возглавляемая доктором Настараном Мефтахи и профессором Сальви Руссо из Университета RMIT, совместно с командой профессора Удо Баха из Университета Монаш, успешно решила многие из этих проблем.
Работа Настаран была решительно поддержана ее соавтором профессором Дэйвом Винклером из CSIRO's Data 61, Университетом Монаша, Университетом Ла Троб и Университетом Ноттингема. Профессор Винклер стал соавтором программы BioModeller, которая легла в основу новой модели с открытым исходным кодом.
Используя новый алгоритм, исследователи смогли получить надежные и предсказуемые результаты и, среди прочего, получить количественные отношения между исследуемыми молекулярными сигнатурами и эффективностью будущих устройств OPV. Настаран и ее коллеги теперь намерены расширить объем своей работы, включив в нее более крупные и точные расчетные и экспериментальные наборы данных.