Et forskergruppe ved University of Central Florida har anvendt kunstig intelligens (AI) til perovskite solcelle (PSC) forskning for at udvikle et system til at identificere de bedste materialer. Det organisk-uorganiske halogenidperovskitmateriale, der anvendes i PSC, hjælper med at konvertere solceller til forbrugsenergi. Disse solceller fra perovskit kan behandles i fast eller flydende tilstand og derved tilbyde fleksibilitet.
Forskerne gennemgik mere end 2000 peer-reviewed publikationer om perovskites og samlede mere end 300 datapunkter, som derefter blev ført ind i en maskinlæringsalgoritme. Derefter analyserede systemet informationen og forudsagde, hvilken opskrift på spray-on perovskite solteknologi, der ville fungere bedst.
Forskerne sagde, at maskinindlæringsmetoden hjalp dem med at forstå, hvordan man optimerer materialesammensætning og forudsiger de bedste designstrategier og potentiel ydeevne for perovskite solceller. Forudsigelserne om maskinindlæring svarede til Shockley-Queisser-grænsen. Maskinindlæring hjalp også med at forudsige optimale orbitale energier ved grænsen mellem transportlaget og perovskitlaget.
Spray-on solceller kan bruges til at sprøjte-male broer, bygninger, hjem og andre strukturer til at fange lys, omdanne det til energi og føde det ind i elnettet. Det forventes, at formlen kan blive standardopskriften / vejledningen til fremstilling af fleksible, stabile, effektive og billige perovskites.
Forskningen blev offentliggjort i Advanced Energy Materials (www.doi.org/10.1002/aenm.201970181).