AI driving new materials for solar cells
05/09/22-FR-English-NL-footer
L'IA pilote de nouveaux matériaux pour les cellules solaires
Machine learning methods are being developed at Argonne to advance solar energy research with perovskites. Image by Maria Chan/ Argonne National Laboratory.
Le soleil transmet en permanence des billions de watts d'énergie à la Terre. Il le fera encore pendant des milliards d'années. Pourtant, nous venons seulement de commencer à puiser dans cette abondante source d'énergie renouvelable à un coût abordable.
Les absorbeurs solaires sont un matériau utilisé pour convertir cette énergie en chaleur ou en électricité. Maria Chan, scientifique au Laboratoire national d'Argonne du Département américain de l'énergie (DOE), a développé une méthode d'apprentissage automatique pour cribler plusieurs milliers de composés en tant qu'absorbeurs solaires. Son co-auteur sur ce projet était Arun Mannodi-Kanakkithodi, un ancien post-doctorant d'Argonne qui est maintenant professeur adjoint à l'Université Purdue.
"Selon une récente étude du DOE, d'ici 2035, l'énergie solaire pourrait fournir 40% de l'électricité du pays", a déclaré Chan. "Et cela pourrait aider à décarboniser le réseau et créer de nombreux nouveaux emplois. »
Chan et Mannodi-Kanakkithodi parient que l'apprentissage automatique jouera un rôle vital dans la réalisation de ce noble objectif. Une forme d'intelligence artificielle (IA), l'apprentissage automatique utilise une combinaison de grands ensembles de données et d'algorithmes pour imiter la façon dont les humains apprennent. Il apprend de la formation avec des exemples de données et de l'expérience passée pour faire des prédictions toujours meilleures.
À l'époque de Thomas Edison, les scientifiques ont découvert de nouveaux matériaux par le processus laborieux d'essais et d'erreurs avec de nombreux candidats différents jusqu'à ce qu'un seul fonctionne. Au cours des dernières décennies, ils se sont également appuyés sur des calculs à forte intensité de main-d'œuvre nécessitant jusqu'à mille heures pour prédire les propriétés d'un matériau. Désormais, ils peuvent raccourcir les deux processus de découverte en faisant appel à l'apprentissage automatique.
À l'heure actuelle, l'absorbeur principal des cellules solaires est soit du silicium, soit du tellurure de cadmium. De telles cellules sont désormais monnaie courante. Mais leur fabrication reste assez chère et énergivore.
L'équipe a utilisé sa méthode d'apprentissage automatique pour évaluer les propriétés d'énergie solaire d'une classe de matériaux appelés pérovskites aux halogénures. Au cours de la dernière décennie, de nombreux chercheurs ont étudié les pérovskites en raison de leur remarquable efficacité à convertir la lumière du soleil en électricité. Ils offrent également la perspective d'un coût et d'une consommation d'énergie beaucoup plus faibles pour la préparation des matériaux et la construction des cellules.
"Contrairement au silicium ou au tellurure de cadmium, les variations possibles des halogénures combinés aux pérovskites sont essentiellement illimitées", a déclaré Chan. "Il y a donc un besoin urgent de développer une méthode qui peut réduire les candidats prometteurs à un nombre gérable. À cette fin, l'apprentissage automatique est un outil parfait.
L'équipe a formé sa méthode avec des données pour quelques centaines de compositions de pérovskite aux halogénures, puis l'a appliquée à plus de 18 000 compositions comme cas de test. La méthode a évalué ces compositions pour des propriétés clés telles que la stabilité, la capacité à absorber la lumière du soleil, une structure qui ne se brise pas facilement en raison de défauts, etc. Les calculs concordaient bien avec les données pertinentes de la littérature scientifique. En outre, les résultats ont réduit le nombre de compositions méritant une étude plus approfondie à environ 400.
"Notre liste de candidats contient des composés qui ont déjà été étudiés, des composés que personne n'a jamais étudiés et même des composés qui ne figuraient pas parmi les 18 000 d'origine", a déclaré Chan. "Nous sommes donc très excités à ce sujet."
La prochaine étape consistera à tester les prédictions à l'aide d'expériences. Le scénario idéal serait d'utiliser un laboratoire de découverte autonome, tel que Polybot au Center for Nanoscale Materials (CNM) d'Argonne, une installation utilisateur du DOE Office of Science. Polybot associe la puissance de la robotique à l'IA pour favoriser la découverte scientifique avec peu ou pas d'intervention humaine.
En utilisant l'expérimentation autonome pour synthétiser, caractériser et tester les meilleurs de leurs quelques centaines de candidats de choix, Chan et son équipe prévoient qu'ils peuvent également améliorer la méthode actuelle d'apprentissage automatique.
"Nous sommes vraiment dans une nouvelle ère d'application de l'IA et du calcul haute performance à la découverte des matériaux", a déclaré Chan. "Outre les cellules solaires, notre méthodologie de conception pourrait s'appliquer aux LED et aux capteurs infrarouges."
Cette recherche est rapportée dans un article de Energy & Environmental Science, intitulé "Conception basée sur les données d'un nouvel alliage de pérovskite aux halogénures. »
Le soutien à la recherche est venu du DOE Office of Science. Les chercheurs ont utilisé les ressources informatiques du National Energy Research Scientific Computing Center, une installation utilisateur du DOE Office of Science, et Bebop, exploité par le Laboratory Computing Resource Center d'Argonne.
NJC.© Info Argonne National Laboratory
------------------------------------------------------------------------------------------------------------------
05/09/22-English
AI driving new materials for solar cells
Machine learning methods are being developed at Argonne to advance solar energy research with perovskites. Image by Maria Chan/ Argonne National Laboratory.
The sun continuously transmits trillions of watts of energy to the Earth. It will be doing so for billions more years. Yet, we have only just begun tapping into that abundant, renewable source of energy at affordable cost.
Solar absorbers are a material used to convert this energy into heat or electricity. Maria Chan, a scientist in the U.S. Department of Energy’s (DOE) Argonne National Laboratory, has developed a machine learning method for screening many thousands of compounds as solar absorbers. Her co-author on this project was Arun Mannodi-Kanakkithodi, a former Argonne postdoc who is now an assistant professor at Purdue University.
“According to a recent DOE study, by 2035, solar energy could power 40% of the nation’s electricity,” said Chan. “And it could help with decarbonizing the grid and provide many new jobs.”
Chan and Mannodi-Kanakkithodi are betting that machine learning will play a vital role in realizing that lofty goal. A form of artificial intelligence (AI), machine learning uses a combination of large data sets and algorithms to imitate the way that humans learn. It learns from training with sample data and past experience to make ever better predictions.
In the days of Thomas Edison, scientists discovered new materials by the laborious process of trial and error with many different candidates until one works. Over the last several decades, they have also relied on labour-intensive calculations requiring as long as a thousand hours to predict a material’s properties. Now, they can shortcut both discovery processes by calling upon machine learning.
At present, the primary absorber in solar cells is either silicon or cadmium telluride. Such cells are now commonplace. But they remain fairly expensive and energy intensive to manufacture.
The team used their machine learning method to assess the solar energy properties of a class of material called halide perovskites. Over the past decade, many researchers have been studying perovskites because of their remarkable efficiency in converting sunlight to electricity. They also offer the prospect of much lower cost and energy input for material preparation and cell building.
“Unlike silicon or cadmium telluride, the possible variations of halides combined with perovskites are essentially unlimited,” said Chan. “There is thus an urgent need to develop a method that can narrow the promising candidates to a manageable number. To that end, machine learning is a perfect tool.”
The team trained their method with data for a few hundred halide perovskite compositions, then applied it to over 18,000 compositions as a test case. The method evaluated these compositions for key properties such as stability, ability to absorb sunlight, structure that does not break easily due to defects, and more. The computations agreed well with relevant data in the scientific literature. Also, the findings whittled down the number of compositions worthy of further study to about 400.
“Our list of candidates has compounds that have already been studied, compounds that no one has ever studied, and even compounds that were not among the original 18,000,” said Chan. “So we are very excited about that.”
The next step will be to test the predictions using experiments. The ideal scenario would be to use an autonomous discovery laboratory, such as Polybot at Argonne’s Center for Nanoscale Materials (CNM), a DOE Office of Science user facility. Polybot brings together the power of robotics with AI to drive scientific discovery with little or no human intervention.
By using autonomous experimentation to synthesize, characterize and test the best of their few hundred prime candidates, Chan and her team anticipate they can also improve the current machine learning method.
“We are truly in a new era of applying AI and high performance computing to materials discovery,” said Chan. “Besides solar cells, our design methodology could apply to LEDs and infrared sensors.”
This research is reported in an article in Energy & Environmental Science, titled “Data-driven design of novel halide perovskite alloy.”
Support for the research came from the DOE Office of Science. The researchers used the computing resources of the National Energy Research Scientific Computing Center, a DOE Office of Science user facility, and Bebop, operated by Argonne’s Laboratory Computing Resource Center.
NJC.© Info Argonne National Laboratory
-------------------------------------------------------------------------------------------------------------------
05/09/22-NL
AI die nieuwe materialen voor zonnecellen aandrijft
Machine learning methods are being developed at Argonne to advance solar energy research with perovskites. Image by Maria Chan/ Argonne National Laboratory.
De zon zendt continu biljoenen watt aan energie naar de aarde. Dat zal nog miljarden jaren zo blijven. Toch zijn we nog maar net begonnen met het aanboren van die overvloedige, hernieuwbare energiebron tegen betaalbare kosten.
Zonne-absorbers zijn een materiaal dat wordt gebruikt om deze energie om te zetten in warmte of elektriciteit. Maria Chan, een wetenschapper in het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), heeft een machinale leermethode ontwikkeld voor het screenen van vele duizenden verbindingen als zonneabsorbeerders. Haar co-auteur van dit project was Arun Mannodi-Kanakkithodi, een voormalige postdoc in Argonne die nu assistent-professor is aan de Purdue University.
"Volgens een recente DOE-studie zou zonne-energie tegen 2035 40% van de elektriciteit van het land van stroom kunnen voorzien", zei Chan. "En het zou kunnen helpen bij het koolstofarm maken van het netwerk en veel nieuwe banen opleveren."
Chan en Mannodi-Kanakkithodi wedden dat machine learning een cruciale rol zal spelen bij het realiseren van dat verheven doel. Machine learning, een vorm van kunstmatige intelligentie (AI), gebruikt een combinatie van grote datasets en algoritmen om de manier waarop mensen leren na te bootsen. Het leert van training met voorbeeldgegevens en ervaringen uit het verleden om steeds betere voorspellingen te doen.
In de dagen van Thomas Edison ontdekten wetenschappers nieuwe materialen door het moeizame proces van vallen en opstaan met veel verschillende kandidaten totdat er één werkt. In de afgelopen decennia hebben ze ook vertrouwd op arbeidsintensieve berekeningen die wel duizend uur nodig hadden om de eigenschappen van een materiaal te voorspellen. Nu kunnen ze beide ontdekkingsprocessen verkorten door een beroep te doen op machine learning.
Momenteel is de primaire absorber in zonnecellen ofwel silicium ofwel cadmiumtelluride. Dergelijke cellen zijn nu gemeengoed. Maar ze blijven vrij duur en energie-intensief om te produceren.
Het team gebruikte hun machinale leermethode om de zonne-energie-eigenschappen te beoordelen van een materiaalklasse die halide-perovskieten wordt genoemd. In het afgelopen decennium hebben veel onderzoekers perovskieten bestudeerd vanwege hun opmerkelijke efficiëntie bij het omzetten van zonlicht in elektriciteit. Ze bieden ook het vooruitzicht op veel lagere kosten en energie-input voor materiaalvoorbereiding en celbouw.
"In tegenstelling tot silicium of cadmiumtelluride, zijn de mogelijke variaties van halogeniden in combinatie met perovskieten in wezen onbeperkt", zei Chan. “Er is dus dringend behoefte aan het ontwikkelen van een methode die de kansrijke kandidaten kan verkleinen tot een beheersbaar aantal. Daarvoor is machine learning een perfect hulpmiddel.”
Het team trainde hun methode met gegevens voor een paar honderd halide-perovskiet-composities en paste het vervolgens toe op meer dan 18.000 composities als een testcase. De methode evalueerde deze samenstellingen op belangrijke eigenschappen zoals stabiliteit, het vermogen om zonlicht te absorberen, een structuur die niet gemakkelijk breekt als gevolg van defecten, en meer. De berekeningen kwamen goed overeen met relevante gegevens in de wetenschappelijke literatuur. Ook verminderden de bevindingen het aantal composities dat verder onderzoek waard was tot ongeveer 400.
"Onze kandidatenlijst bevat verbindingen die al zijn bestudeerd, verbindingen die nog nooit iemand heeft bestudeerd, en zelfs verbindingen die niet tot de oorspronkelijke 18.000 behoorden," zei Chan. “Daar zijn we dan ook erg enthousiast over.”
De volgende stap zal zijn om de voorspellingen te testen met behulp van experimenten. Het ideale scenario zou zijn om een autonoom onderzoekslaboratorium te gebruiken, zoals Polybot in Argonne's Center for Nanoscale Materials (CNM), een DOE Office of Science gebruikersfaciliteit. Polybot combineert de kracht van robotica met AI om wetenschappelijke ontdekkingen te stimuleren met weinig of geen menselijke tussenkomst.
Door autonome experimenten te gebruiken om het beste van hun paar honderd hoofdkandidaten te synthetiseren, karakteriseren en testen, verwachten Chan en haar team dat ze ook de huidige machine learning-methode kunnen verbeteren.
"We bevinden ons echt in een nieuw tijdperk waarin AI en high-performance computing worden toegepast op het ontdekken van materialen", zegt Chan. “Naast zonnecellen zou onze ontwerpmethodologie ook van toepassing kunnen zijn op leds en infraroodsensoren.”
Dit onderzoek wordt gerapporteerd in een artikel in Energy & Environmental Science, getiteld "Data-driven design of novel halide perovskite alloy."
Ondersteuning voor het onderzoek kwam van het DOE Office of Science. De onderzoekers gebruikten de computerbronnen van het National Energy Research Scientific Computing Center, een DOE Office of Science gebruikersfaciliteit, en Bebop, beheerd door Argonne's Laboratory Computing Resource Center.
NJC.© Info Argonne National Laboratory
------------------------------------------------------------------------------------------------------------------