Un tipo de inteligencia sintética conocida como aprendizaje automático ayudará a ampliar la producción de células fotovoltaicas de perovskita.

Los suministros de perovskita podrían ser superiores al silicio en las células fotovoltaicas, sin embargo, la fabricación de dichas células a escala es un gran obstáculo. El estudio de la máquina ayudará.

Las perovskitas son una familia de materiales que actualmente podría ser el principal competidor para reemplazar la energía solar fotovoltaica basada en silicio que se está utilizando ampliamente en este momento. Llevan la promesa de paneles que pueden ser mucho más livianos y delgados, que pueden fabricarse en grandes volúmenes con un rendimiento ultra alto a temperatura ambiente en lugar de en muchos niveles, y que pueden ser más fáciles y baratos de mover. y establecer Sin embargo, llevar estos suministros de pequeños experimentos de laboratorio a un producto que pueda fabricarse de manera competitiva ha sido una lucha prolongada.

La fabricación de células fotovoltaicas basadas en perovskita implica optimizar al menos una docena de variables directamente, incluso dentro de una estrategia de fabricación específica entre muchas potencialidades. Sin embargo, un nuevo sistema basado en un enfoque novedoso para el aprendizaje automático puede acelerar el desarrollo de estrategias de producción optimizadas y ayudar a hacer realidad la próxima tecnología de energía solar.

El sistema, desarrollado por investigadores de[{“>MIT and Stanford University over the last few years, makes it possible to integrate data from prior experiments, and information based on personal observations by experienced workers, into the machine learning process. This makes the outcomes more accurate and has already led to the manufacturing of perovskite cells with an energy conversion efficiency of 18.5 percent, which is a competitive level for today’s market.

AI Optimized Production of Perovskite Solar Cells

The optimized production of perovskite solar cells could be sped up thanks to a new machine learning system. Credit: Photo of solar cell by Nicholas Rolston, Stanford, and edited by MIT News. Perovskite illustration by Christine Daniloff, MIT

The research was recently published in the journal Joule, in a paper by MIT professor of mechanical engineering Tonio Buonassisi, Stanford professor of materials science and engineering Reinhold Dauskardt, recent MIT research assistant Zhe Liu, Stanford doctoral graduate Nicholas Rolston, and three others.

Perovskites are a group of layered crystalline compounds defined by the configuration of the atoms in their crystal lattice. There are thousands of such possible compounds and many different ways of making them. While most lab-scale development of perovskite materials uses a spin-coating technique, that’s not practical for larger-scale manufacturing, so companies and labs around the world have been searching for ways of translating these lab materials into a practical, manufacturable product.

“There’s always a big challenge when you’re trying to take a lab-scale process and then transfer it to something like a startup or a manufacturing line,” says Rolston, who is now an assistant professor at Arizona State University. The team looked at a process that they felt had the greatest potential, a method called rapid spray plasma processing, or RSPP.

The manufacturing process would involve a moving roll-to-roll surface, or series of sheets, on which the precursor solutions for the perovskite compound would be sprayed or ink-jetted as the sheet rolled by. The material would then move on to a curing stage, providing a rapid and continuous output “with throughputs that are higher than for any other photovoltaic technology,” Rolston says.

“The real breakthrough with this platform is that it would allow us to scale in a way that no other material has allowed us to do,” he adds. “Even materials like silicon require a much longer timeframe because of the processing that’s done. Whereas you can think of [this approach as more] como pintura en aerosol “.

Dentro de ese proceso, al menos una docena de variables pueden influir en el resultado, algunas de las cuales son más controlables que otras. Estos incluyen la composición de los suministros iniciales, la temperatura, la humedad, la velocidad de la ruta de procesamiento, el espacio de la boquilla utilizada para rociar la tela sobre un sustrato y las estrategias de curado de la tela. Muchos de esos componentes pueden funcionar juntos, y si el método está al aire libre, entonces la humedad, por ejemplo, también podría estar descontrolada. No es posible evaluar todas las combinaciones posibles de esas variables a través de la experimentación, por lo que se necesitaba el aprendizaje automático para ayudar en el proceso experimental.

Sin embargo, mientras que la mayoría de las técnicas de aprendizaje automático utilizan información sin procesar equivalente a las mediciones de las propiedades eléctricas y otras de las muestras de verificación, generalmente no incorporan la experiencia humana equivalente a las observaciones cualitativas realizadas por los experimentadores de las propiedades visibles y diferentes de la verificación. muestras o datos de diferentes experimentos informados por diferentes investigadores. Entonces, el equipo descubrió una técnica para incorporar dichos datos externos en el modelo de aprendizaje automático, utilizando un factor de probabilidad basado en un enfoque matemático llamado Optimización Bayesiana.

Usando el sistema, dice, “con un modelo que proviene de datos experimentales, podemos descubrir tendencias que no pudimos ver antes”. Por ejemplo, inicialmente tuvieron problemas para adaptarse a las variaciones incontroladas en la humedad de su ambiente. Pero el modelo les confirmó “que podemos superar nuestros problemas de humedad cambiando la temperatura, por ejemplo, y cambiando algunas de las otras perillas”.

El sistema ahora permite a los experimentadores conocer mucho más rápido su proceso en un esfuerzo por optimizarlo para un conjunto dado de circunstancias o resultados requeridos. De sus experimentos, el equipo se centró en optimizar la producción de habilidades, pero el sistema se puede usar para incorporar simultáneamente otros estándares, como valor y solidez, algo en lo que los miembros del equipo están trabajando, dice Buonassisi.

Los científicos se inspiraron en el Departamento de Energía, que patrocinó el trabajo, para comercializar la tecnología, y actualmente se especializan en cambios tecnológicos para presentar productores de perovskita. “Nos estamos acercando a las empresas ahora”, dice Buonassisi, y el código que desarrollaron se ha hecho accesible gratuitamente a través de un servidor de código abierto. “Ahora está en GitHub, cualquiera puede descargarlo, cualquiera puede ejecutarlo”, dice. “Nos complace ayudar a las empresas a comenzar a utilizar nuestro código”.

Varias empresas ya se están preparando para producir paneles fotovoltaicos a base de perovskita, a pesar de que todavía están entendiendo la letra pequeña de los métodos fáciles para producirlos, dice Liu, quien ahora está en la Universidad Politécnica del Noroeste en Xi’an. , Porcelana. Él dice que las empresas allí no suelen estar sino haciendo fabricación a gran escala, pero que en lugar de comenzar con aplicaciones más pequeñas y de alto valor, como paneles fotovoltaicos integrados en edificios, el aspecto del lugar es necesario. Tres de esas empresas “están bajo control o los compradores las presionan para que fabriquen módulos rectangulares de 1 metro por 2 metros. [comparable to today’s most common solar panels]dentro de dos años”, dice.

“El problema es que no tienen un consenso sobre qué conocimientos de fabricación utilizar”, dice Liu. La técnica RSPP, desarrollada en Stanford, “todavía tiene una gran probabilidad” de ser agresiva, dice. Y el sistema de aprendizaje automático que desarrolló el grupo puede resultar necesario para orientar la optimización de cualquier proceso que finalmente se utilice.

“El primer objetivo era acelerar el método, por lo que requirió mucho menos tiempo, muchos menos experimentos y menos horas humanas para desarrollar algo que se pueda usar instantáneamente, sin gastar un centavo, para el comercio”, dice.

“El trabajo actual sobre la fabricación fotovoltaica de perovskita impulsada por el aprendizaje automático se centra en gran medida en el recubrimiento por rotación, un enfoque a escala de laboratorio”, dice Ted Sargent, profesor universitario en la Universidad de Toronto, que no estaba relacionado con este trabajo, que dice que demuestra “un flujo de trabajo que se adapta fácilmente a las estrategias de deposición que dominan el comercio de películas delgadas. Solo un puñado de equipos tiene la experiencia simultánea en ingeniería y computación para impulsar tales avances”. Sargent agrega que esta estrategia “podría ser un avance emocionante para la fabricación de una gama más amplia de suministros” que incluye LED, otras tecnologías fotovoltaicas y[{“>graphene, “in short, any industry that uses some form of vapor or vacuum deposition.”

Reference: “Machine learning with knowledge constraints for process optimization of open-air perovskite solar cell manufacturing” by Zhe Liu, Nicholas Rolston, Austin C. Flick, Thomas W. Colburn, Zekun Ren, Reinhold H. Dauskardt and Tonio Buonassisi, 13 April 2022, Joule.
DOI: 10.1016/j.joule.2022.03.003

The team also included Austin Flick and Thomas Colburn at Stanford and Zekun Ren at the Singapore-MIT Alliance for Science and Technology (SMART). In addition to the Department of Energy, the work was supported by a fellowship from the MIT Energy Initiative, the Graduate Research Fellowship Program from the National Science Foundation, and the SMART program.

(function(d,s,id){var js,fjs=d.getElementsByTagName(s)[0];if(d.getElementById(id))return;js=d.createElement(s);js.id=id;js.src=”https://join.fb.web/en_US/sdk.js#xfbml= 1&model=v2.6″;fjs.parentNode.insertBefore(js,fjs);}(doc,’script’,’facebook-jssdk’));

Por Andrés

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *