출처: pv 잡지
미국 연구원들은 PV 전지에 가장 안정적인 페로브스카이트를 식별하기 위해 데이터 융합 접근 방식을 사용하고 있습니다. 그들의 기계 학습 방법은 페로브스카이트 테스트 결과와 제1원칙 물리적 모델링을 결합하여 최상의 후보를 식별합니다.
매사추세츠 공과대학(Massachusetts Institute of Technology)의 과학자들은 수명, 효율성, 생산성과 같은 특정 목표와 제조업체가 달성하고자 하는 소스 재료의 가용성과 같은 특정 목표에 따라 태양 전지 응용 분야에 가장 적합한 페로브스카이트를 식별하는 새로운 접근 방식을 제안했습니다.
과학자들은 최근 Matter에 발표된 "할라이드 페로브스카이트의 조성 안정성을 최적화하기 위한 데이터 융합 접근법"에서 연구 결과를 발표했습니다. 그들은 가장 안정적인 합금된 유기-무기 페로브스카이트를 식별하기 위한 물리적 제약이 있는 순차적 학습 프레임워크로 접근 방식을 설명했습니다.
미국 연구자들은 페로브스카이트가 층상 결정 격자에서 원자가 배열되는 방식에 따라 서로 다른 광범위한 물질을 포함한다고 말했습니다. 일반적으로 A, B 및 X로 설명되는 이러한 층은 각각 다른 원자 또는 화합물로 구성될 수 있습니다.
연구원인 토니오 부오나시시(Tonio Buonassisi)는 “세 원소만 고려한다면 페로브스카이트에서 사람들이 드나드는 가장 흔한 것은 페로브스카이트 결정 구조의 A 부위에 있다”며 “이러한 원소들은 1%씩 증가할 수 있다”고 덧붙였다. 그들의 상대적인 구성에서. “단계의 수는 터무니없게 됩니다. 그것은 매우, 매우 커져서 체계적으로 탐색하는 것이 비실용적입니다.”
기계 학습을 기반으로 하는 제안된 방법은 데이터 융합 접근 방식에서 서로 다른 소스의 데이터를 결합합니다. 이는 자동화 시스템을 사용하여 다양한 페로브스카이트 제형의 생산 및 테스트를 안내한 다음 결과를 제1원칙 물리적 모델링과 결합하여 다음 실험 라운드를 안내합니다. 과학자들은 결과가 정제될 때까지 이 과정을 여러 번 반복합니다.
지금까지 이 그룹은 세 가지 구성 요소 중에서 가능한 조합의 약 2%를 합성하고 테스트했습니다. 과학자들은 현재까지 페로브스카이트 태양 전지 재료에 대한 가장 내구성 있는 공식을 이미 확인했다고 주장합니다. 이 재료로 그들은 또한 작은 칩을 제작하여 기존 태양 전지에 배치했으며 전력 변환 효율을 손상시키지 않으면서 장치의 안정성을 3배 이상 높일 수 있음을 발견했습니다.
연구원인 Shijing Sun은 “이 연구의 또 다른 요점은 화학 물질 선택부터 실제로 태양 전지를 만들 때까지 실제로 시연한다는 것입니다.”라고 말했습니다. “그리고 그것은 기계 학습이 제안한 화학 물질이 그 자체로 독립된 형태일 뿐만 아니라 안정적이라는 것을 알려줍니다. 그들은 또한 실제 태양 전지로 번역될 수 있으며 향상된 신뢰성으로 이어집니다.”
