Perovskitai – tai medžiagų grupė, kuri šiuo metu yra pagrindinė pretendentė pakeisti šiandieninius silicio pagrindu pagamintus saulės fotovoltinius elementus. Jie žada kur kas plonesnes ir lengvesnes plokštes, kurias būtų galima gaminti itin dideliu našumu kambario temperatūroje, o ne šimtų laipsnių temperatūroje, ir kurios būtų pigesnės ir lengviau transportuojamos bei montuojamos. Tačiau šios medžiagos iš kontroliuojamų laboratorinių eksperimentų tapo produktu, kuris gali būti gaminamas konkurencingomis sąlygomis, ir tai buvo ilga kova.
Gaminant perovskito pagrindu pagamintus saulės elementus, vienu metu reikia optimizuoti bent keliolika kintamųjų, net ir taikant vieną konkretų gamybos metodą iš daugelio galimų. Tačiau nauja sistema, pagrįsta nauju mašininio mokymosi metodu, galėtų paspartinti optimalių gamybos metodų kūrimą ir padėti paversti naujos kartos saulės energiją realybe
Sistema, kurią per pastaruosius kelerius metus sukūrė MIT ir Stanfordo universiteto mokslininkai, leidžia į mašininio mokymosi procesą integruoti ankstesnių eksperimentų duomenis ir patyrusių darbuotojų asmeniniais stebėjimais pagrįstą informaciją. Dėl to rezultatai tampa tikslesni ir jau dabar gaminami perovskitiniai elementai, kurių energijos konversijos efektyvumas yra 18,5 proc.
Apie tyrimus šiandien rašoma žurnale Joule, MIT mechanikos inžinerijos profesoriaus Tonio Buonassisi, Stanfordo medžiagų mokslo ir inžinerijos profesoriaus Reinholdo Dauskardto, neseniai MIT mokslinį darbą atlikusio asistento Zhe Liu, Stanfordo doktorantūros studijas baigusio Nicholaso Rolstono ir trijų kitų autorių straipsnyje
Perovskitai yra sluoksniuotų kristalinių junginių grupė, apibrėžiama pagal atomų konfigūraciją jų kristalinėje gardelėje. Yra tūkstančiai galimų tokių junginių ir daugybė skirtingų būdų juos pagaminti. Nors kuriant perovskitines medžiagas laboratorijoje dažniausiai naudojamas sukamojo dengimo metodas, jis nėra praktiškas didesnio masto gamybai, todėl bendrovės ir laboratorijos visame pasaulyje ieško būdų, kaip šias laboratorines medžiagas paversti praktišku, gaminamu produktu.
„Visada yra didelis iššūkis, kai bandai pasinaudoti laboratoriniu procesu ir perkelti jį į kokią nors pradinę įmonę ar gamybos liniją”, – sako Rolstonas, kuris dabar yra Arizonos valstybinio universiteto docentas. Komanda išnagrinėjo procesą, kuris, jų nuomone, turėjo didžiausią potencialą, t. y. metodą, vadinamą greituoju purškiamuoju plazminiu apdorojimu
Gamybos procese būtų naudojamas judantis ritininis paviršius arba lakštų serija, ant kurios perovskito junginio pirmtakų tirpalai būtų purškiami arba purškiami rašalo srove, kai lakštas ritinasi. Tuomet medžiaga pereitų į kietinimo etapą, taip užtikrinant greitą ir nenutrūkstamą gamybą, „kurios našumas būtų didesnis nei bet kurios kitos fotovoltinės technologijos”, sako Rolstonas.
.
„Tikrasis šios platformos proveržis yra tas, kad ji leistų mums padidinti mastą taip, kaip jokia kita medžiaga neleido”, – priduria jis. „Net tokioms medžiagoms, kaip silicis, reikia daug ilgesnio laiko dėl atliekamo apdorojimo. Tuo tarpu [šį metodą] galima prilyginti purškiamajam dažymui.”
Šio proceso metu rezultatams gali turėti įtakos bent tuzinas kintamųjų, kai kuriuos iš jų galima kontroliuoti labiau nei kitus. Tai pradinių medžiagų sudėtis, temperatūra, drėgmė, apdirbimo kelio greitis, purkštuko, kuriuo medžiaga purškiama ant pagrindo, atstumas ir medžiagos kietinimo metodai. Daugelis šių veiksnių gali sąveikauti tarpusavyje, o jei procesas vyksta atvirame ore, pavyzdžiui, drėgmė gali būti nekontroliuojama. Eksperimentuojant neįmanoma įvertinti visų galimų šių kintamųjų derinių, todėl reikėjo mašininio mokymosi, kuris padėtų vadovauti eksperimentiniam procesui
Tačiau nors dauguma mašininio mokymosi sistemų naudoja pirminius duomenis, pavyzdžiui, bandinių elektrinių ir kitų savybių matavimus, į jas paprastai neįtraukiama žmogiškoji patirtis, pavyzdžiui, kokybiniai eksperimentuotojų pastebėjimai apie vizualines ir kitas bandinių savybes arba informacija, gauta atliekant kitus eksperimentus, apie kuriuos pranešė kiti tyrėjai. Taigi komanda rado būdą, kaip tokią išorinę informaciją įtraukti į mašininio mokymosi modelį, naudojant tikimybės koeficientą, pagrįstą matematiniu metodu, vadinamu Bajeso optimizacija.
Naudodamiesi sistema, sako jis, „turėdami modelį, sudarytą iš eksperimentinių duomenų, galime nustatyti tendencijas, kurių anksčiau negalėjome pastebėti” Pavyzdžiui, iš pradžių jiems buvo sunku prisitaikyti prie nekontroliuojamų drėgmės svyravimų aplinkos aplinkoje. Tačiau modelis parodė, kad „drėgmės problemas galime įveikti, pavyzdžiui, keisdami temperatūrą ir kai kurias kitas rankenėles.”
Dabar sistema leidžia eksperimentatoriams daug greičiau nukreipti savo procesą, kad jis būtų optimizuotas tam tikroms sąlygoms ar reikiamiems rezultatams. Eksperimentų metu komanda daugiausia dėmesio skyrė išėjimo galios optimizavimui, tačiau sistema gali būti naudojama ir kitiems kriterijams, pavyzdžiui, kainai ir ilgaamžiškumui, tuo pačiu metu įtraukti – pasak Buonassisi, komandos nariai tęsia darbą.
Energetikos departamentas, kuris rėmė šį darbą, paskatino mokslininkus komercializuoti technologiją, ir šiuo metu jie daugiausia dėmesio skiria technologijų perdavimui esamiems perovskitų gamintojams. „Dabar kreipiamės į įmones”, – sako Buonassisi, o jų sukurtas kodas laisvai prieinamas atvirojo kodo serveryje. „Dabar jis yra „GitHub”, jį gali atsisiųsti bet kas, bet kas gali jį paleisti”, – sako jis. „Mes džiaugiamės galėdami padėti įmonėms pradėti naudoti mūsų kodą.”
Kelios įmonės jau ruošiasi gaminti perovskito pagrindu pagamintus saulės kolektorius, nors vis dar aiškinasi jų gamybos detales, sako Liu, kuris dabar dirba Šiaurės vakarų politechnikos universitete Sianėje (Kinija). Jis sako, kad šios šalies įmonės dar negamina dideliais kiekiais, o pradeda nuo mažesnių, didelės vertės produktų, pavyzdžiui, į pastatus integruojamų saulės plytelių, kurioms svarbi išvaizda. Jis sako, kad trys iš šių bendrovių „per dvejus metus pradės gaminti 1 m x 2 m stačiakampius modulius [panašius į šiandien labiausiai paplitusias saulės plokštes] arba yra investuotojų skatinamos juos gaminti”
. „Problema ta, kad jos nesutaria, kokią gamybos technologiją naudoti”, – sako Liu. Jis sako, kad Stanforde sukurtas RSPP metodas „vis dar turi gerų galimybių” būti konkurencingas. O komandos sukurta mašininio mokymosi sistema gali pasirodyti esanti svarbi optimizuojant bet kokį galiausiai naudojamą procesą.
„Pagrindinis tikslas buvo pagreitinti procesą, kad prireiktų mažiau laiko, mažiau eksperimentų ir mažiau žmonių darbo valandų, norint sukurti kažką, ką būtų galima iš karto, nemokamai ir nemokamai naudoti pramonėje”, – sako jis.
„Dabartiniai darbai, susiję su mašininio mokymosi valdomu perovskitų fotovoltinių elementų gaminimu, daugiausia dėmesio skiria sukimo dangos dengimui – laboratorinio masto technikai”, – sako Tedas Sargentas, Toronto universiteto profesorius, nesusijęs su šiuo darbu, kuris, pasak jo, demonstruoja „darbo eigą, lengvai pritaikomą nusodinimo technologijoms, kurios dominuoja plonasluoksnių medžiagų pramonėje”. Tik nedaugelis grupių vienu metu turi inžinerinės ir skaičiavimo patirties, leidžiančios siekti tokios pažangos.” Sargentas priduria, kad šis metodas „galėtų būti įdomi pažanga gaminant platesnį medžiagų spektrą”, įskaitant šviesos diodus, kitas fotovoltines technologijas ir grafeną, „trumpai tariant, bet kurioje pramonės šakoje, kurioje naudojamas tam tikros formos garų arba vakuuminis nusodinimas”
Komandoje taip pat dirbo Austinas Flickas ir Thomas Colburnas iš Stanfordo universiteto ir Zekunas Renas iš Singapūro-MIT Mokslo ir technologijų aljanso (SMART). Be Energetikos departamento, darbą rėmė MIT Energetikos iniciatyvos stipendija, Nacionalinio mokslo fondo absolventų mokslinių tyrimų stipendijų programa ir SMART programa
