Dari ‘The Terminator’ dan ‘Blade Runner’ hingga ‘The Matrix’, Hollywood telah mengajari kita untuk waspada terhadap kecerdasan buatan. Tetapi alih-alih menyegel takdir kita di layar lebar, algoritme bisa menjadi solusi untuk setidaknya satu masalah yang ditimbulkan oleh krisis iklim.
Para peneliti di ARC Center of Excellence di Exciton Science telah berhasil menciptakan model pembelajaran mesin jenis baru untuk memprediksi efisiensi konversi daya (PCE) material yang dapat digunakan dalam sel surya organik generasi mendatang, termasuk senyawa. ‘Virtual’ itu. bahkan tidak ada.
Tidak seperti beberapa model yang memakan waktu dan rumit, pendekatan yang terakhir ini cepat, mudah digunakan, dan kode tersedia secara gratis untuk semua ilmuwan dan insinyur.
Kunci untuk mengembangkan model yang lebih efisien dan ramah pengguna adalah mengganti parameter yang kompleks dan mahal secara komputasi, yang memerlukan kalkulasi kuantum mekanik, dengan deskriptor tanda tangan yang lebih sederhana dan dapat diinterpretasikan secara kimiawi dari molekul yang dianalisis. Mereka memberikan data penting tentang fragmen kimia paling signifikan dalam material yang memengaruhi PCE, menghasilkan informasi yang dapat digunakan untuk merancang material yang ditingkatkan.
Contoh sel surya fleksibel generasi berikutnya.
Pendekatan baru ini dapat membantu secara signifikan mempercepat proses perancangan sel surya yang lebih efisien pada saat permintaan energi terbarukan, dan pentingnya mengurangi emisi karbon, lebih besar dari sebelumnya. Hasilnya dipublikasikan di jurnal Nature Materi komputasi.
Setelah puluhan tahun bergantung pada silikon, yang relatif mahal dan kurang fleksibel, perhatian semakin beralih ke sel surya fotovoltaik organik (OPV), yang akan lebih ekonomis untuk digunakan menggunakan teknologi pencetakan, selain lebih serbaguna dan mudah hilang. .
Dr.Nastaran Meftahi dari RMIT University dan ARC Center of Excellence in Exciton Sciences. Kredit: Ilmu Exciton
Tantangan utama adalah keberhasilan sejumlah besar senyawa kimia yang berpotensi cocok yang dapat disintesis (dibuat oleh ilmuwan) untuk digunakan dalam OPV.
Peneliti telah mencoba menggunakan pembelajaran mesin sebelumnya untuk mengatasi masalah ini, tetapi banyak dari model ini memakan waktu, membutuhkan daya pemrosesan komputasi yang signifikan, dan sulit untuk ditiru. Dan, yang terpenting, mereka belum memberikan panduan yang cukup bagi ilmuwan eksperimental yang ingin membangun perangkat surya baru.
Sekarang, pekerjaan yang dipimpin oleh Dr. Nastaran Meftahi dan Profesor Rusia Salvy dari RMIT University, bersama dengan tim Profesor Udo Bach di Monash University, telah berhasil menghadapi banyak tantangan ini.
“Kebanyakan model lain menggunakan deskriptor elektronik yang kompleks dan mahal secara komputasi, dan tidak dapat ditafsirkan secara kimiawi,” kata Nastaran.
“Artinya, ahli kimia atau ilmuwan eksperimental tidak bisa mendapatkan ide dari model ini untuk memahami dan mensintesis bahan di laboratorium. Jika mereka melihat model saya, karena saya menggunakan deskriptor sederhana yang dapat diinterpretasikan secara kimiawi, mereka dapat melihat bagian penting.”
Pekerjaan Nastaran didukung oleh rekan penulisnya Profesor Dave Winkler dari CSIRO’s Data 61, Monash University, La Trobe University, dan University of Nottingham. Profesor Winkler ikut menciptakan program BioModeller yang memberikan dasar untuk model open source baru.
Dengan menggunakannya, para peneliti dapat menghasilkan hasil yang kuat dan prediktif, dan menghasilkan, di antara data lain, hubungan kuantitatif antara perusahaan molekuler yang diperiksa dan efisiensi perangkat OPV di masa depan.
Nastaran dan rekan-rekannya sekarang bermaksud untuk memperluas cakupan pekerjaan mereka untuk memasukkan kumpulan data komputasi dan eksperimental yang lebih besar dan lebih akurat.
Referensi: “Produksi properti pembelajaran mesin untuk perangkat fotovoltaik organik” oleh Nastaran Meftahi, Mykhailo Klymenko, Andrew J. Christofferson, Udo Bach, David A. Winkler dan Salvy P. Russo, 6 November 2020, npj Bahan komputasi.
DOI: 10.1038 / s41524-020-00429-w