Теперь, команда в MIT и других учреждениях придумала способ обойти такую дорогую и отнимающую много времени фальсификацию и тестирование, допуская быстрый показ намного большего количества изменений, чем было бы практично посредством традиционного подхода.Новый процесс мог не только ускорить поиск новых формулировок, но также и сделать более точную работу по предсказанию их работы, объясняет Рэйчел Керчин, аспирант MIT и соавтор статьи, описывающей новый процесс, который появляется на этой неделе в журнале Joule.
Традиционные методы «часто требуют, чтобы Вы сделали специализированный образец, но это отличается от фактической клетки и может не быть полностью представительным» для работы реальной солнечной батареи, говорит она.Например, типичные методы тестирования показывают поведение «перевозчиков большинства», преобладающих частиц или вакансий, движение которых производит электрический ток через материал.
Но в случае фотогальванического (ОБЪЕМ ПЛАЗМЫ) материалы, Керчин объясняет, это – на самом деле перевозчики меньшинства – те, которые намного менее изобилуют материалом – которые являются ограничивающим фактором в полной эффективности устройства, и те намного более трудно измерить. Кроме того, типичные процедуры только измеряют поток тока в одном наборе направлений – в самолете материала тонкой пленки – тогда как это – вниз поток, который на самом деле используется в рабочей солнечной батарее. Во многих материалах тот поток может «решительно отличаться», делая очень важным понять, чтобы правильно характеризовать материал, говорит она.
«Исторически, темп нового развития материалов медленный – как правило, 10 – 25 лет», говорит Тонио Буонэссизи, адъюнкт-профессор машиностроения в MIT и ведущем авторе бумаги. «Одной из вещей, которая делает процесс медленным, является долгое время, которое требуется, чтобы расследовать молодые устройства прототипа», говорит он. «Выполнение характеристики занимает время – иногда, у недель или месяцев – и измерения не всегда есть необходимая чувствительность, чтобы определить первопричину любых проблем».Так, Буонэссизи говорит, «итог, если мы хотим ускорить темп нового развития материалов, обязательно, чтобы мы выяснили более быстрые и более точные способы расследовать наши молодые материалы и устройства прототипа». И это – то, чего теперь достигла команда. Они развивали ряд инструментов, которые могут использоваться, чтобы сделать точные, быстрые оценки предложенных материалов, используя ряд относительно простых тестов лаборатории, объединенных с компьютерным моделированием физических свойств самого материала, а также дополнительным моделированием на основе статистического метода, известного как вывод Bayesian.
Система включает создание простого испытательного устройства, затем измеряя его текущую производительность под разными уровнями освещения и различных напряжений, чтобы определить количество точно, как работа варьируется при этих изменяющихся условиях. Эти ценности тогда используются, чтобы усовершенствовать статистическую модель.
«После того, как мы приобретаем много измерений текущего напряжения [образца] при различных температурах и интенсивности освещения, мы должны выяснить то, что комбинация материалов и интерфейсных переменных делает лучшей подгонкой с нашим набором измерений», объясняет Буонэссизи. «Представляя каждый параметр, поскольку распределение вероятности позволяет нам объяснять экспериментальную неуверенность, и это также позволяет нам разузнавать, какие параметры – covarying».Процесс вывода Bayesian позволяет оценкам каждого параметра быть обновленными на основе каждого нового измерения, постепенно совершенствуя оценки и возвращаясь в еще ближе к точному ответу, говорит он.
В поиске комбинации материалов для конкретного вида применения говорит Керчин, «мы вставляем все эти свойства материалов и интерфейсные свойства, и это скажет Вам, на что будет похожа продукция».Система достаточно проста, что, даже для материалов, которые были менее хорошо характеризованы в лаборатории, «мы все еще в состоянии управлять этим без огромного компьютера наверху».
И, Керчин говорит, использование вычислительных аппаратов, чтобы показать возможные материалы будет все более и более полезно, потому что «оборудование лаборатории стало более дорогим, и компьютеры стали более дешевыми. Этот метод позволяет Вам минимизировать свое использование сложного оборудования лаборатории».
Базовая методология, Буонэссизи говорит, могла быть применена к большому разнообразию различных оценок материалов, не только солнечным батареям – на самом деле, она может относиться к любой системе, которая включает компьютерную модель для продукции экспериментального измерения. «Например, этот подход выделяется в выяснении, какое материальное или интерфейсное свойство могло бы ограничивать работу, даже для сложных стопок материалов как батареи, термоэлектрические устройства или соединения, используемые в теннисных туфлях или крыльях самолета». И, он добавляет, «Для молодого исследования, особенно полезно, где много вещей могли бы идти не так, как надо сразу».
Продвижение, он говорит, «наше видение должно соединить этот быстрый метод характеристики с более быстрыми материалами и методы синтеза устройства, которые мы разработали в нашей лаборатории». В конечном счете он говорит, «я очень выражаю надежду комбинация на вычисление высокой пропускной способности, автоматизацию, и машинное обучение поможет нам ускорить темп нового развития материалов больше, чем фактор пять.
Это могло быть поддающимся трансформации, принеся графики времени для новых открытий материаловедения по сравнению с 20 годами приблизительно к трем – пяти годам».