Strojnim učenjem ispitali 200.000 materijala za efikasnije solarne stanice
Istraživači sa Sveučilišta Osaka koriste strojno učenje kako bi oblikovali i virtualno testirali molekule za organske solarne stanice. Cilj im je stvoriti učinkovitije materijale za primjenu u obnovljivim izvorima energije
Istraživači sa Sveučilišta Osaka koriste strojno učenje kako bi dizajnirali nove polimere za upotrebu u fotonaponskim uređajima. Nakon što su virtualno pregledali više od 200.000 materijala, sintetizirali su jedan koji je najviše obećavao. To bi u doglednoj budućnosti moglo dovesti do revolucije u otkrivanju funkcionalnih materijala, piše u istraživanju koje objavljuje Wiley Online Library.
Složeni problemi
Strojno učenje moćan je alat koji omogućuje računalima predviđanje složenih situacija, pod uvjetom da algoritmi raspolažu s dovoljno podataka. To je posebno korisno za složene probleme u znanosti o materijalima, poput dizajniranja molekula za organske solarne stanice koje mogu ovisiti o širokom nizu čimbenika i nepoznatim molekularnim strukturama.
Ljudima bi trebale godine da pretraže podatke kako bi pronašli temeljne obrasce, a još dulje da testiraju sve moguće kombinacije polimera i molekula koje čine organsku solarnu ćeliju. To je i najveća prepreka bržem poboljšanju učinkovitosti solarnih ćelija.
Provjerili stotine tisuća parova
Istraživači sa Sveučilišta Osaka koristili su strojno učenje kako bi provjerili stotine tisuća parova davatelja: akceptora na temelju algoritma osposobljenog za podatke iz prethodno objavljenih eksperimentalnih studija.
Isprobavanjem svih mogućih kombinacija 382 molekule donora i 526 molekula akceptora dobili su 200.932 para koji su testirani predviđanjem njihove učinkovitosti u pretvorbi energije.
U laboratoriju je sintetiziran i testiran jedan od polimera za koje se predviđa visoka učinkovitost. Utvrđeno je da su njegova svojstva u skladu s predviđanjima.
"Ovaj projekt može pridonijeti ne samo razvoju visoko učinkovitih organskih solarnih ćelija, već se može prilagoditi i informatičkoj građi drugih funkcionalnih materijala", kaže viši autor Akinori Saeki.
Ovu vrsta strojnog učenja, u kojem algoritam brzo provjerava tisuće, možda čak i milijune molekula kandidata na temelju predviđanja strojnog učenja, mogla bi se primijeniti i na drugim područjima, poput istraživanja katalizatora i funkcionalnih polimera, uvjereni su istraživači.
