Pētniecības komanda Universitātes Centrālās Floridas ir piemērojis mākslīgā intelekta (AI), lai perovskita saules šūnu (PSC) pētījumus, izstrādāt sistēmu, lai noteiktu labākos materiālus. Organiskā un neorganiskā halogenīda perovskīta materiāls, ko izmanto PSC, palīdz pārveidot fotoelektrisko enerģiju par patērējamu enerģiju. Šīs perovskīta saules baterijas var apstrādāt cietā vai šķidrā stāvoklī, tādējādi piedāvājot elastību.
Pētnieki pārskatīja vairāk nekā 2000 recenzētu publikāciju par perovskītiem un savāca vairāk nekā 300 datu punktus, kas pēc tam tika ievadīti mašīnmācīšanās algoritmā. Pēc tam sistēma analizēja informāciju un paredzēja, kura recepte izsmidzināmās perovskīta saules tehnoloģijai darbosies vislabāk.
Pētnieki teica, ka mašīnmācīšanās pieeja palīdzēja viņiem saprast, kā optimizēt materiāla sastāvu, un prognozēt labākās perovskītu saules bateriju projektēšanas stratēģijas un iespējamo veiktspēju. Mašīnmācīšanās prognozes atbilda Shockley-Queisser ierobežojumam. Mašīnmācība arī palīdzēja prognozēt optimālas orbītas robežas enerģijas starp transporta slāni un perovskīta slāni.
Izsmidzināmās saules baterijas varētu izmantot, lai apsmidzinātu tiltus, ēkas, mājas un citas struktūras, lai notvertu gaismu, pārvērstu to enerģijā un ievadītu elektrotīklā. Paredzams, ka formula varētu kļūt par standarta recepti / ceļvedi elastīgu, stabilu, efektīvu un zemu izmaksu perovskītu izgatavošanai.
Pētījums tika publicēts Advanced Energy Materials (www.doi.org/10.1002/aenm.201970181).