Tutkijaryhmä University of Central Florida on soveltanut Artificial Intelligence (AI) ja perovskite aurinkokenno (PSC) tutkimus kehittää järjestelmä tunnistaa parhaat materiaalit. PSC: ssä käytetty orgaaninen-epäorgaaninen halogenidi-perovskiittimateriaali auttaa muuntamaan aurinkosähkön kulutettavaksi energiaksi. Nämä perovskiitti-aurinkokennot voidaan prosessoida kiinteässä tai nestemäisessä tilassa tarjoten siten joustavuutta.
Tutkijat tarkastelivat yli 2000 vertaisarvioitua julkaisua perovskiteista ja keräsivät yli 300 datapistettä, jotka syötettiin sitten koneoppimisalgoritmiin. Tämän jälkeen järjestelmä analysoi tiedot ja ennusti, mikä resepti ruiskutettavaan perovskiitti-aurinkotekniikkaan toimisi parhaiten.
Tutkijoiden mukaan koneoppimismenetelmä auttoi heitä ymmärtämään materiaalikoostumuksen optimointia ja ennustamaan perovskite-aurinkokennojen parhaat suunnittelustrategiat ja mahdollinen suorituskyky. Koneoppimisennusteet vastasivat Shockley-Queisser -rajaa. Koneoppiminen auttoi myös ennustamaan optimaaliset rajakierrosenergiat kuljetuskerroksen ja perovskiittikerroksen välillä.
Ruiskutettavilla aurinkokennoilla voitaisiin maalata siltoja, rakennuksia, koteja ja muita rakenteita valon sieppaamiseksi, energian muuttamiseksi ja syöttämiseksi sähköverkkoon. On odotettavissa, että kaavasta voi tulla vakiomuotoinen resepti / opas joustavien, vakaiden, tehokkaiden ja edullisten perovskiittien valmistamiseksi.
Tutkimus julkaistiin Advanced Energy Materials -lehdessä (www.doi.org/10.1002/aenm.201970181).