fbpx

SEGUICI SU:

DELLO STESSO AUTORE

INSTAGRAM

CORRELATI

Il ruolo dell’intelligenza artificiale nella progettazione di celle solari

A cura di Antonino Pagano.

Un processo di ricerca standard per celle solari, in genere, comporta la progettazione, la sintesi chimica dei materiali, la caratterizzazione delle proprietà optoelettroniche, nonché l’assemblaggio e l’ottimizzazione della cella. Un metodo così tradizionale richiede un notevole apporto di risorse e un lungo periodo di ricerca. Pertanto, lo sviluppo delle nuove celle risulta lento e inefficiente. Può l’intelligenza artificiale aiutare in qualche modo?

I ricercatori sanno che il Machine Learning fornisce una serie di strumenti computazionali in grado di apprendere e riconoscere modelli e relazioni, prevedere i risultati e prendere decisioni. Un approccio simile può essere usato per lo sviluppo di nuove celle solari. Utilizzando un set di dati presenti in letteratura, le tecniche di Machine Learning consentono di studiare una vasta gamma di materiali senza avere la necessità di una piena comprensione della chimica o fisica del materiale stesso.

Power conversion efficiency and Machine Learning. Credits: https://pubs.acs.org/doi/10.1021/acs.jpclett.8b00635

Molte tecniche di Machine Learning sono adottate nella ricerca dei materiali per il fotovoltaico organico. Nelle celle solare organiche l’efficienza di conversione, cioè la capacità di convertire la luce in elettricità, è ancora troppo bassa e queste non possono essere commercializzate su vasta scala.

Un team di ricercatori dell’Università di Osaka ha utilizzato la potenza dell’intelligenza artificiale per automatizzare i processi di screening dei materiali per il fotovoltaico organico. Uno studio riportato nel Journal of Physical Chemistry Letters mostra come questo approccio potrebbe favorire la nascita di dispositivi più efficienti. Altri risultati della progettazione molecolare assistita dal Machine Learning sono stati pubblicati su Science Advances. In questo studio sono stati utilizzati algoritmi avanzati che fanno uso di tecniche di deep learning, cioè algoritmi in grado di simulare un cervello umano. In particolare, essi si basano sullo sviluppo di reti neurali per apprendere e svolgere determinate funzioni.  Per favorire questo tipo di ricerca è stato messo a disposizione dei ricercatori un enorme database di riferimento per materiali semiconduttori organici con particolare attenzione alle applicazioni fotovoltaiche, “The Clean Energy Project Database” che contiene dati per 2,3 milione di molecole.

Examples from the Harvard Clean Energy Project Database. Credits: https://onlinelibrary.wiley.com/doi/full/10.1002/adts.201800116

Alcuni risultati hanno dimostrato che, applicando un set di 5000 dati su un algoritmo di rete neurale convoluzionale, si riesce ad ottenere una previsione dell’efficienza con un’accuratezza pari al 91,02%.

Tecniche di Machine Learning sono state adottate anche per la ricerca e la produzione di nuovi moduli fotovoltaici fabbricati con la tecnologia PERC (Passivated Emitter and Rear Cell). Questi moduli usano delle celle in silicio contenente uno strato di passivazione posteriore, in modo da ridurre la dispersione della luce e ottenere un aumento dell’efficienza. Un algoritmo è stato implementato per ottenere la previsione dell’efficienza in funzione dello spessore del materiale SiNx. L’algoritmo utilizza la libreria Keras, una libreria open source per le reti neurali, scritta in Python.

Celle solari spray grazie all’Intelligenza Artificiale?

Uno studio più recente effettuato da un team di ricerca della University of Central Florida mostra come l’intelligenza artificiale può essere d’aiuto per la fabbricazione di celle solari spray. Anche in questo caso il team di ricerca ha utilizzato tecniche di Machine Learning per ottimizzare la scelta dei materiali adottati nella realizzazione di celle solari perovskite (PSC). Queste celle usano un materiale assorbente con struttura perovskitca, cioè incorporano un colorante a base di alogenuri organo-metallici per convertire l’energia solare in energia elettrica. I materiali con struttura perovskitca possono essere processati sia allo stato solido che allo stato liquido, offrono quindi un certo grado di flessibilità. Immagina ad esempio di poter spruzzare o dipingere ponti, case e grattacieli con questi materiali, per realizzare strutture che trasformano la luce in energia da immettere nella rete. Se tutto ciò fosse possibile, queste celle potrebbero rivoluzionare il mondo delle energie rinnovabili.

Spray-On Solar Cells. Credits: https://ochen.com/spray-on-solar-cells-the-future-of-solar-energy/

La realizzazione di celle solari spray presenta delle difficoltà come la scelta dei materiali, la stabilità a lungo termine e il costo di realizzazione.  Per queste ragioni, i ricercatori trascorrono moltissimo tempo per individuare la giusta ricetta e ottenere tutti i vantaggi in termini di flessibilità, stabilità, efficienza e basso costo. Ecco dove entra in gioco l’intelligenza artificiale.

Il team della Florida ha esaminato più di 2.000 pubblicazioni sulle celle inperovskite e ha raccolto più di 300 dati utili che sono stati immessi in un sistema di analisi basato sull’intelligenza artificiale. Il sistema intelligente è stato in grado di analizzare le informazioni e scegliere la giusta ricetta della perovskite. Inoltre, risultati dimostrano come le tecniche di Machine Learning possono essere utilizzate per investigare la fisica dei materiali e sviluppare celle ad alta efficienza. Il lavoro del team è stato così promettente che le sue scoperte sono state pubblicate il 13 dicembre 2019 sulla rivista Advanced Energy Materials.

Alla fine di questa lettura qualcuno potrebbe pensare: l’intelligenza artificiale potrà rubare il posto di lavoro a scienziati e ricercatori? In realtà bisogna considerare il Machine Learning come un aiuto per guidare nella giusta direzione gli esperimenti e per valutare rapidamente un numero elevato di materiali. Quindi, l’intelligenza artificiale ML è uno strumento che dovrebbe essere utilizzato insieme agli esperimenti tradizionali e continuamente perfezionato per incorporare nuovi dati. L’uso dei due insieme in modo complementare è ciò che può far progredire la scoperta di nuovi materiali per il fotovoltaico.

CUE FACT CHECKING

Grazie per essere arrivato fin qui

Per garantire lo standard di informazione che amiamo abbiamo dato la possibilità ai nostri lettori di sostenerci, dando la possibilità di:
- leggere tutti gli articoli del network (10 siti) SENZA banner pubblicitari
- proporre ai nostri team le TEMATICHE da analizzare negli articoli

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here