Ett forskargrupp vid University of Central Florida har tillämpat artificiell intelligens (AI) på perovskite solcellsforskning (PSC) för att utveckla ett system för att identifiera de bästa materialen. Det organiskt-oorganiska halogenidperovskitmaterialet som används i PSC hjälper till att omvandla solceller till förbrukningsenergi. Dessa perovskitsolceller kan bearbetas i fast eller flytande tillstånd och därigenom erbjuda flexibilitet.
Forskarna granskade mer än 2000 peer-reviewed publikationer om perovskites och samlade in mer än 300 datapunkter som sedan matades in i en maskininlärningsalgoritm. Därefter analyserade systemet informationen och förutspådde vilket recept för spray-perovskite solteknik som skulle fungera bäst.
Forskarna sa att maskininlärningsmetoden hjälpte dem att förstå hur man optimerar materialkompositionen och förutsäger de bästa designstrategierna och potentiella prestanda hos perovskits solceller. Förutsägelserna för maskininlärning motsvarade gränsen för Shockley-Queisser. Maskininlärning hjälpte också till att förutsäga optimala kretsloppsenheter mellan transportskiktet och perovskitskiktet.
Spray-on solceller kan användas för att sprayfärga broar, byggnader, hem och andra strukturer för att fånga ljus, förvandla det till energi och mata in det i elnätet. Det förväntas att formeln kan bli standardrecept / guide för att göra flexibla, stabila, effektiva och billiga perovskiter.
Forskningen publicerades i Advanced Energy Materials (www.doi.org/10.1002/aenm.201970181).