太阳能吸收器是一种用于将这种能量转化为热能或电能的材料。美国能源部(DOE)阿贡国家实验室的科学家MariaChan开发了一种机器学习方法，用于筛选数千种化合物作为太阳能吸收剂。她在这个项目上的合著者是ArunMannodi-Kanakkithodi，他是前Argonne博士后，现在是普渡大学的助理教授。
“根据美国能源部最近的一项研究，到2035年，太阳能可以为全国40%的电力供电，”Chan说。“它可以帮助电网脱碳并提供许多新工作。”
Chan和Mannodi-Kanakkithodi认为机器学习将在实现这一崇高目标方面发挥重要作用。作为人工智能(AI)的一种形式，机器学习结合使用大型数据集和算法来模仿人类学习的方式。它通过使用样本数据和过去的经验进行训练，从而做出更好的预测。
在托马斯爱迪生的时代，科学家们通过与许多不同的候选者进行艰苦的试验和错误的过程发现了新材料，直到其中一种有效。在过去的几十年里，他们还依赖劳动密集型计算，需要长达一千小时来预测材料的特性。现在，他们可以通过调用机器学习来缩短这两个发现过程。
目前，太阳能电池中的主要吸收剂是硅或碲化镉。这种细胞现在很常见。但它们的制造成本仍然相当昂贵且能源密集。
该团队使用他们的机器学习方法来评估一类称为卤化物钙钛矿的材料的太阳能特性。在过去的十年中，许多研究人员一直在研究钙钛矿，因为它们在将阳光转化为电能方面具有卓越的效率。它们还为材料制备和细胞构建提供了更低的成本和能量输入的前景。
“与硅或碲化镉不同，卤化物与钙钛矿结合的可能变化基本上是无限的，”Chan说。“因此迫切需要开发一种方法，将有希望的候选人缩小到一个可管理的数量。为此，机器学习是一个完美的工具。”
该团队用数百种卤化物钙钛矿成分的数据训练了他们的方法，然后将其应用于18,000多种成分作为测试用例。该方法评估了这些组合物的关键性能，例如稳定性、吸收阳光的能力、不易因缺陷而破裂的结构等。计算结果与科学文献中的相关数据非常吻合。此外，研究结果将值得进一步研究的作品数量减少到约400种。
“我们的候选名单包括已经研究过的化合物，没有人研究过的化合物，甚至是最初的18,000种化合物之外的化合物，”Chan说。“所以我们对此感到非常兴奋。”
下一步将是使用实验来测试预测。理想的情况是使用自主发现实验室，例如美国能源部科学办公室用户设施阿贡纳米材料中心(CNM)的Polybot。Polybot将机器人技术的力量与AI结合起来，在很少或根本不需要人工干预的情况下推动科学发现。
通过使用自主实验来综合、表征和测试数百个主要候选者中的佼佼者，Chan和她的团队预计他们还可以改进当前的机器学习方法。
“我们真正处于将人工智能和高性能计算应用于材料发现的新时代，”Chan说。“除了太阳能电池，我们的设计方法还可以应用于LED和红外传感器。”
这项研究发表在《能源与环境科学》的一篇文章中。
