今天，太阳能提供了欧洲 2% 的电力。然而，到 2050 年，预计可再生能源将成为最常用的能源(超过石油和其他液体、天然气和煤炭)，太阳能将取代风能成为可再生能源的主要来源。为了达到这一点，并使太阳能更便宜，太阳能技术仍然需要一些突破。一是能够更有效地将来自太阳的光子转化为可用能量。


有机光伏的最高效率为 15% 到 20%——相当可观，但对太阳能的潜力有限制。利哈伊大学工程师 Ganesh Balasubramanian 和其他许多人一样，想知道是否有办法改进太阳能电池的设计以提高它们的效率?

巴拉苏布兰马尼安，机械工程和力学副教授，研究在心脏中的材料的基本物理太阳能转换-合格电子从分子到分子的有机聚合物，使他们能够被存储和利用， -以及作为制造工艺的是生产商用太阳能电池。

Balasubramanian 和他的研究生 Joydeep Munshi 使用德克萨斯高级计算中心 (TACC) 的 Frontera 超级计算机——地球上最强大的计算机之一，一直在运行有机太阳能电池生产过程的分子模型，并设计了一个框架来确定最佳工程选择。他们在IEEE Computing in Science and Engineering的 5 月刊中描述了计算工作和相关发现。

“当工程师制造太阳能电池时，他们会在溶剂中混合两种有机分子，然后蒸发溶剂以形成有助于激子转换和电子传输的混合物，”Balasubramanian 说。“我们模拟了这些电池的制造方式，特别是体异质结——太阳能电池的吸收层。基本上，我们试图了解结构变化如何与太阳能转换效率相关?”

Balasubramanian 使用他所谓的“基于物理的机器学习”。他的研究结合了粗粒度模拟(使用代表有机材料的近似分子模型)和机器学习。Balasubramanian 认为这种组合有助于防止人工智能提出不切实际的解决方案。

“很多研究都对原始数据使用机器学习，”Balasubramanian 说。“但越来越多的人对使用受过物理教育的机器学习感兴趣。我认为这是最大的好处。机器学习本身就是简单的数学。其中涉及的真正物理学并不多。”

Balasubramanian 和 Munshi 以及 Wei Chen(西北大学)和 TeYu Chien(怀俄明大学)于 2021 年 2 月在Computational Materials Science 发表文章，描述了在 Frontera 上进行的一组虚拟实验的结果，这些实验测试了各种设计更改的影响。这些包括改变本体异质结中供体和受体分子的比例，以及退火的温度和时间——有助于产品稳定性的冷却和硬化过程。

他们利用这些数据来训练一类称为支持向量机的机器学习算法，以识别材料和生产过程中的参数，这些参数将产生最大的能量转换效率，同时保持结构强度和稳定性。将这些方法结合在一起，Balasubramanian 的团队能够将达到最佳流程所需的时间减少 40%。

“归根结底，分子动力学是物理引擎。这就是捕捉基础物理学的东西，”他说。“机器学习着眼于数字和模式，进化算法促进了模拟。”

权衡和限制

像许多工业过程一样，调整制造过程的任何方面都涉及权衡。例如，更快的冷却可能有助于提高电源效率，但它可能会使材料变脆并容易破裂。Balasubramanian 和他的团队采用了一种多目标优化算法，该算法平衡了每次更改的利弊，以推导出整体最佳制造过程。

“当你试图优化一个特定的变量时，你是在线性地看待问题，”他说。“但是，这些努力中的大多数都面临着你试图同时解决的多管齐下的挑战。你需要权衡利弊，必须抓住协同作用，才能做出正确的设计。”

Balasubramanian 的模拟与实验结果相符。他们确定异质结的构成和退火温度/时间对整体效率的影响最大。他们还发现异质结中材料的比例对效率是最好的。

“在文献中确定了某些条件，人们声称这些条件是那些选择分子和加工行为的效率的最佳条件，”他说。“我们的模拟能够验证这些并表明其他可能的标准不会为您提供相同的性能。我们能够意识到真相，但​​来自虚拟世界。”

随着 2021-22 年在 Frontera 上获得更多时间，Balasubramanian 将为机器学习系统添加更多层，使其更加强大。他计划添加实验数据以及其他形式的计算机模型，例如电子结构计算。

“数据的异质性将改善结果，”他说。“我们计划首先对材料进行原理模拟，然后将这些数据以及粗粒度模拟的数据输入到机器学习模型中。”

Balasubramanian 认为，目前的有机光伏可能已达到其效率的极限。“有一堵难以穿透的墙，这就是材料，”他说。“我们使用的这些分子只能到此为止。接下来要尝试的是将我们的框架与其他分子和先进材料一起使用。”

他的团队挖掘文献以了解提高太阳能效率的特征，然后训练机器学习模型来识别具有理想电荷传输行为的潜在新分子。他们在《化学信息与建模杂志》上发表了他们的研究。Frontera 的未来工作将使用 Balasubramanian 的框架来探索和计算测试这些替代材料，假设它们可以生产。

“一旦建立，我们就可以将实验室制造的真实分子放入我们创建的框架中，”他说。“如果我们发现性能良好的新材料，它将降低太阳能发电设备的成本并帮助地球母亲。”

他说，Balasubramanian 的研究利用了计算机模拟至关重要的两件事。“一个是了解我们无法用现实世界中的工具研究的科学。另一个是加快科学发展——简化我们真正需要做的事情，这减少了我们制作东西的成本和时间，以及物理测试他们。” 

原标题：工程师将基于物理的机器学习应用于太阳能电池生产