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:
«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.
Студенты со всей России пройдут интенсив по компьютерным наукам от ВШЭ и «Яндекса»
С 1 по 13 апреля в Москве на базе факультета компьютерных наук НИУ ВШЭ пройдет бесплатный студкемп по машинному обучению, организованный в рамках программы «Яндекса» для студентов IT-специальностей. За две недели студенты изучат материал, на освоение которого в рамках традиционных программ уходит от пары месяцев до нескольких семестров. Они получат фундаментальные знания в области искусственного интеллекта, а также познакомятся с практиками применения нейросетей в сервисах «Яндекса».
Нейросети всевластья: ИИ распутывает клубок взаимоотношений людей, эльфов и хоббитов
3 января родился один из самых популярных писателей прошлого века Джон Рональд Руэл Толкин. Исследователи из НИУ ВШЭ, AIRI и МИСИC использовали машинное обучение для исследования социальных связей между персонажами его вселенной Средиземья. Ученые считают, что этот подход найдет применение во многих сферах за пределами литературы. Результаты работы опубликованы в IEEE Xplore.
«Каждая статья на NeurIPS — значительный результат»
Сотрудники факультета компьютерных наук НИУ ВШЭ представят 12 своих работ на 37-й конференции NeurIPS. Conference and Workshop on Neural Information Processing Systems — одно из самых значительных событий в сфере искусственного интеллекта и машинного обучения. В этом году она пройдет с 10 по 16 декабря в Новом Орлеане (США).
Совместный проект ученых НИУ ВШЭ и СурГУ поможет предотвратить повторные инфаркты и инсульты
Один из проектов, победивших на конкурсе «Зеркальные лаборатории» НИУ ВШЭ в июне этого года, посвящен технологиям машинного обучения в прогнозировании исходов острого коронарного синдрома. Его реализуют Международная лаборатория биоинформатики НИУ ВШЭ и Научно-образовательный центр Медицинского института Сургутского государственного университета. Как зародился этот совместный проект, чем он поможет пациентам и как будет организована работа по его реализации, рассказывает заведующая Международной лабораторией биоинформатики, доцент ФКН НИУ ВШЭ Мария Попцова.
На факультете компьютерных наук открываются новые лаборатории
По итогам конкурса проектов на факультете компьютерных наук НИУ ВШЭ открываются две новые лаборатории. Лабораторию матричных и тензорных методов в машинном обучении возглавит Максим Рахуба, доцент департамента больших данных и информационного поиска. Лабораторией облачных и мобильных технологий будет руководить профессор департамента программной инженерии Дмитрий Александров.
«Интерес к приложениям машинного обучения в биоинформатике с каждым годом растет»
28–30 августа, накануне нового учебного года, факультет компьютерных наук ВШЭ провел четвертую летнюю школу по машинному обучению в биоинформатике. В этом году на событие зарегистрировались 670 человек, более 300 посетили ее очно.
ФКН в четвертый раз проведет летнюю школу по машинному обучению в биоинформатике
На факультете компьютерных наук Вышки с 28 по 30 августа пройдет летняя школа по машинному обучению в биоинформатике. В течение трех дней участников ждут лекции и семинары от ведущих специалистов в данной области из ВШЭ, Сколтеха, AIRI, МГУ, МФТИ, Genotek, Sber Artificial Intelligence Laboratory.
Решение НИУ ВШЭ и Сбера позволит машинному обучению работать в десятки раз быстрее
Исследователи факультета компьютерных наук ВШЭ и Лаборатории искусственного интеллекта Сбера смогли увеличить скорость работы градиентного бустинга — одного из самых эффективных алгоритмов для решения задач машинного обучения. Предложенный подход позволит быстрее решать задачи классификации и регрессии машинного обучения. Результаты их работы были представлены на конференции NeurIPS.