Машинное обучение повысило долговечность перовскитных солнечных батарей
Команда ученых из МИЭМ ВШЭ, Физического института имени П.Н. Лебедева РАН и Университета Южной Калифорнии с помощью технологий машинного обучения нашли способ избежать внутренних дефектов и увеличить эффективность перовскитных солнечных элементов. Результаты исследования могут применяться для разработки более эффективных и долговечных материалов. Исследование проводилось на двойном перовските Cs2AgBiBr6. Статья опубликована в журнале Journal of Physical Chemistry Letters.
Альтернативная энергетика привлекает внимание ученых и инвесторов из-за ее возобновляемости и чистоты. Одним из открытий индустрии в последние 20 лет стали органическо-неорганические перовскиты. Перовскит — это минерал с определенной кристаллической структурой. Впервые такой тип соединений был обнаружен в 1839 году в Уральских горах и назван в честь Л.А. Перовского. С тех пор как в 2009 году разработали первый галоген-перовскитный солнечный элемент, показатели КПД (коэффициента полезного действия) выросли с 3,8 до 25% в 2021 году. Сейчас перовскиты стали сравнимы с их главными конкурентами — солнечными элементами на основе кремния.
Пленки из перовскитов можно получить осаждением из раствора, это простая и дешевая технология. В этом их преимущество перед кремниевыми батареями и электронными устройствами со сложным процессом осаждения на подложку, где нужны сверхчистый кремний и вакуумные камеры. Существенный минус перовскитов в том, что они склонны к деградации под действием влаги и кислорода воздуха, высокой температуры и интенсивного облучения светом. Поэтому, несмотря на свои достоинства, соединения нестабильны и работать с ними сложно.
Другой проблемой перовскитов стала токсичность свинца, который использовали для увеличения их эффективности. Показатели свинцовых батарей стали немного выше, но с их использованием появились новые трудности. Содержащие свинец фотоэлементы необходимо грамотно утилизировать, иначе можно нанести вред экологии. При этом расходы на утилизацию могут быть больше, чем прибыль от самих устройств. Это экономически невыгодно, поэтому производство свинцовых батарей так и не вышло на промышленный уровень.
Перед учеными возникла задача: найти нетоксичное и стабильное соединение, не содержащее ядовитый свинец и химически неустойчивую органическую компоненту, а также способное обеспечить высокий КПД устройства. Такую работу провела группа исследователей из России и США. Для создания новых солнечных перовскитных элементов был выбран материал Cs2AgBiBr6 и изучены его свойства.
Соединение имеет структуру двойного перовскита с химической формулой A2BB’X6, где А — большой катион (положительно заряженный ион), В, B’ — катионы меньшего размера, чем А, а Х — анион (отрицательно заряженный ион). В данном соединении сайты B, B’ заняты катионами Ag и Bi. Такое соединение устойчивее: риск того, что неорганические ионы Cs, Ag и Bi будут реагировать с окружающей средой, довольно мал. Ученые исследовали нетоксичное и стабильное соединение, Cs2AgBiBr6, эффективность которого однако была менее 3% из-за дефектов в пленках.
Дефекты провоцируют захват фотогенерированных зарядов и ускоряют процесс их рекомбинации: положительно и отрицательно заряженные частицы начинают сталкиваться чаще, нейтрализуют друг друга, и заряды исчезают. Это приводит к потерям энергии: вместо того чтобы генерировать электрический ток, она рассеивается в виде тепла.
Лю Дунюй
Чтобы понять, как снизить возможность образования дефектов, ученые анализировали механизм образования центров рекомбинации отрицательно заряженными вакансиями Br. «Вакансиями брома называют отсутствие атомов Br в решетке Cs2AgBiBr6. Такие дефекты встречаются чаще всего. Нейтральные вакансии не сильно влияют на исчезновение зарядов. Но как только эти дефекты принимают электроны и становятся отрицательно заряженными, возникают ловушки», — комментирует научный сотрудник МИЭМ Лю Дунюй.
Большой объем данных о дефектах (десятки тысяч конфигураций) генерировался с помощью компьютерного моделирования. Исследователи использовали квантовую теорию функционала плотности. Большое количество полученных данных затрудняло анализ результатов. Чтобы решить эту проблему, применялись современные методы машинного обучения и анализа результатов. Это помогло определить, движения каких атомов приводят к созданию ловушек и исчезновению зарядов, что снижает эффективность солнечных элементов. Ученые предложили химические способы избегать формирования таких дефектов при изготовлении материалов.
Андрей Васенко
«Машинное обучение позволило нам выявить наиболее важные параметры, которые управляют захватом и исчезновением (рекомбинацией) зарядов, — комментирует профессор департамента электронной инженерии МИЭМ НИУ ВШЭ, заместитель заведующего лабораторией квантовой наноэлектроники Андрей Васенко. — Результаты нашей работы могут использоваться для создания рекомендаций по устранению дефектов и разработке лучших материалов для перовскитных солнечных элементов».
Вам также может быть интересно:
Анализ генетической информации поможет избежать осложнений после инфаркта
Исследователи из НИУ ВШЭ разработали модель машинного обучения, которая предсказывает риск развития осложнений у пациентов, перенесших инфаркт миокарда. В модели впервые учли генетические данные, что позволило точнее оценить риск долгосрочных осложнений. Исследование опубликовано в журнале Frontiers in Medicine.
Fall into ML 2024: взгляд в будущее машинного обучения
25–26 октября в Москве состоялась конференция Fall into ML, организованная Институтом искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ совместно с Центром ИИ при поддержке титульного партнера — Сбера. На протяжении двух дней ведущие специалисты в области искусственного интеллекта обсуждали перспективы развития фундаментальных технологий ИИ.
«Наша система позволяет предотвращать сбои в работе центров обработки данных»
Студент первого курса магистерской программы «Продуктовый подход и аналитика данных в HR-менеджменте» Константин Балцат с командой единомышленников разработали систему прогнозирования отказов жестких дисков на основе машинного обучения. С этим проектом они второй год подряд входят в число лучших на хакатоне «Цифровой прорыв». «Вышка.Главное» побеседовала с Константином о разработках инноваций и учебе в университете.
НИУ ВШЭ и ПСБ провели хакатон по ИИ для студентов ведущих вузов страны
В конце сентября онлайн-кампус НИУ ВШЭ и ПСБ организовали хакатон для студентов, которые увлекаются анализом данных, визуализацией и машинным обучением, а также студентов креативных индустрий. На хакатон зарегистрировалось 620 человек, приняло участие 428 человек из разных регионов РФ. За первое место боролись студенты лучших российских университетов, а также учащиеся из других государств. Победителями турнира стала команда из Вышки.
«В третий раз соберем на площадке ВШЭ лучших ученых и исследователей ИИ в России»
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Центр ИИ 25–26 октября в Москве организуют конференцию Fall into ML 2024. Главной темой ежегодного мероприятия станут перспективы развития фундаментального искусственного интеллекта. Титульным партнером конференции выступит Сбер.
Школа по ML в биоинформатике: «отличная возможность для нетворкинга и изучения нового материала»
Факультет компьютерных наук НИУ ВШЭ провел ежегодную летнюю школу по машинному обучению в биоинформатике, слушателями которой стали более 300 человек из разных университетов, институтов и организаций. Всего на событие зарегистрировались более 800 человек. Трехдневная программа включала в себя лекции и семинары.
Ученые НИУ ВШЭ показали эффективность машинного обучения при прогнозировании инфляции
Инфляция — один из ключевых показателей экономической стабильности, и точное прогнозирование ее уровня в различных регионах имеет большое значение для государства, бизнеса и домохозяйств. Татьяна Букина и Дмитрий Кашин из НИУ ВШЭ в Перми выяснили, что машинное обучение для прогнозирования инфляции превосходит классические эконометрические модели в долгосрочных прогнозах. Исследование проводилось на примере субъектов Приволжья. Результаты опубликованы в журнале HSE Economic Journal.
Ученые НИУ ВШЭ предложили модель, лучше других определяющую тематику текстов
Тематические модели — алгоритмы машинного обучения, способные сортировать большие объемы текстов по темам. Исследователи из НИУ ВШЭ в Санкт-Петербурге сравнили пять тематических моделей и определили, какие из них работают лучше. Наименьшее число ошибок показали две модели, одна из которых, GLDAW, — разработка Лаборатории социальной и когнитивной информатики НИУ ВШЭ в Санкт-Петербурге. Статья опубликована в журнале PeerJ Computer Science.
«Цель школы Spring into ML — объединить молодых ученых, занимающихся математикой ИИ»
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Университет Иннополис провели для студентов, аспирантов и молодых ученых недельную школу, посвященную применению математики в машинном обучении и искусственном интеллекте. 50 участников Spring into ML прослушали 24 доклада о машинном обучении, участвовали в тематических питч-сессиях и прошли два мини-курса по диффузионным моделям — развивающейся области ИИ для генерации данных.
В России разработана программа для диагностики дислексии
Ученые НИУ ВШЭ создали инструмент, который оценивает наличие и степень дислексии у школьников, учитывая их пол, возраст, класс школы и данные видеоокулографии. В 2024 году планируется внедрение программы в клиническую практику. Исследования проводились специалистами в области машинного обучения и нейролингвистами в Центре искусственного интеллекта НИУ ВШЭ.