Questa configurazione sperimentale è stata utilizzata dal team per misurare la potenza elettrica di un campione di materiale di celle solari, in condizioni controllate di temperatura e illuminazione variabili. I dati di tali test sono stati quindi utilizzati come base per la modellazione al computer utilizzando metodi statistici per prevedere le prestazioni complessive del materiale in condizioni operative reali. Credito:Riley Brand
La ricerca mondiale dei ricercatori per trovare di meglio, materiali più efficienti per i pannelli solari di domani è solitamente lento e scrupoloso. I ricercatori in genere devono produrre campioni di laboratorio, che sono spesso composti da più strati di materiali diversi legati insieme, per test approfonditi.
Ora, un team del MIT e di altre istituzioni ha escogitato un modo per aggirare una fabbricazione e un test così costosi e dispendiosi in termini di tempo, consentendo uno screening rapido di molte più variazioni di quanto sarebbe pratico attraverso l'approccio tradizionale.
Il nuovo processo potrebbe non solo accelerare la ricerca di nuove formulazioni, ma anche svolgere un lavoro più accurato nel prevedere le loro prestazioni, spiega Rachel Kurchin, uno studente laureato del MIT e coautore di un articolo che descrive il nuovo processo che appare questa settimana sulla rivista Joule . I metodi tradizionali "spesso richiedono di fare un campione specializzato, ma che differisce da una cella reale e potrebbe non essere completamente rappresentativo" delle prestazioni di una cella solare reale, lei dice.
Per esempio, metodi di prova tipici mostrano il comportamento dei "portatori di maggioranza, " le particelle o i posti vacanti predominanti il cui movimento produce una corrente elettrica attraverso un materiale. Ma nel caso dei materiali fotovoltaici (FV), Kurchin spiega, in realtà sono i portatori di minoranza, quelli che sono molto meno abbondanti nel materiale, che sono il fattore limitante dell'efficienza complessiva di un dispositivo, e quelli sono molto più difficili da misurare. Inoltre, le procedure tipiche misurano solo il flusso di corrente in una serie di direzioni, all'interno del piano di un materiale a film sottile, mentre è il flusso dall'alto verso il basso che è effettivamente sfruttato in una cella solare funzionante. In molti materiali, quel flusso può essere "drasticamente diverso, " rendendo fondamentale la comprensione per caratterizzare adeguatamente il materiale, lei dice.
"Storicamente, il tasso di sviluppo di nuovi materiali è lento, in genere da 10 a 25 anni, "dice Tonio Buonassisi, professore associato di ingegneria meccanica al MIT e autore senior dell'articolo. "Una delle cose che rallenta il processo è il lungo tempo necessario per risolvere i problemi dei dispositivi prototipo in fase iniziale, ", afferma. "L'esecuzione della caratterizzazione richiede tempo, a volte settimane o mesi, e le misurazioni non sempre hanno la sensibilità necessaria per determinare la causa principale di eventuali problemi".
Così, Buonassisi dice, "la linea di fondo è, se vogliamo accelerare il ritmo dello sviluppo di nuovi materiali, è imperativo trovare modi più rapidi e precisi per risolvere i problemi dei nostri materiali in fase iniziale e dei prototipi di dispositivi." Ed è ciò che il team ha ora realizzato. Hanno sviluppato una serie di strumenti che possono essere utilizzati per rendere precisi, valutazioni rapide dei materiali proposti, utilizzando una serie di test di laboratorio relativamente semplici combinati con la modellazione al computer delle proprietà fisiche del materiale stesso, oltre a modelli aggiuntivi basati su un metodo statistico noto come inferenza bayesiana.
Il sistema prevede la realizzazione di un semplice dispositivo di test, quindi misurando la sua uscita di corrente con diversi livelli di illuminazione e diverse tensioni, quantificare esattamente come varia la prestazione in queste condizioni mutevoli. Questi valori vengono quindi utilizzati per perfezionare il modello statistico.
"Dopo aver acquisito molte misurazioni della tensione di corrente [del campione] a diverse temperature e intensità di illuminazione, dobbiamo capire quale combinazione di materiali e variabili di interfaccia si adatta meglio al nostro set di misurazioni, " Spiega Buonassisi. "Rappresentare ogni parametro come una distribuzione di probabilità ci permette di tenere conto dell'incertezza sperimentale, e ci permette anche di scoprire quali parametri sono covarianti."
Il processo di inferenza bayesiana consente di aggiornare le stime di ciascun parametro in base a ogni nuova misurazione, affinando gradualmente le stime e avvicinandosi sempre più alla risposta precisa, lui dice.
Nella ricerca di una combinazione di materiali per un particolare tipo di applicazione, Kurchin dice, "inseriamo tutte queste proprietà dei materiali e proprietà dell'interfaccia, e ti dirà come sarà l'output."
Il sistema è abbastanza semplice che, anche per materiali meno caratterizzati in laboratorio, "siamo ancora in grado di eseguirlo senza un enorme sovraccarico del computer". E, Kurchin dice, utilizzare gli strumenti di calcolo per vagliare eventuali materiali sarà sempre più utile perché "le apparecchiature di laboratorio sono diventate più costose, e i computer sono diventati più economici. Questo metodo consente di ridurre al minimo l'uso di complicate apparecchiature di laboratorio."
La metodologia di base, Buonassisi dice, potrebbe essere applicato a un'ampia varietà di valutazioni di materiali diversi, non solo celle solari, infatti, può applicarsi a qualsiasi sistema che coinvolga un modello computerizzato per l'output di una misurazione sperimentale. "Per esempio, questo approccio eccelle nel capire quale materiale o proprietà dell'interfaccia potrebbe limitare le prestazioni, anche per pile complesse di materiali come batterie, dispositivi termoelettrici, o compositi utilizzati nelle scarpe da tennis o nelle ali degli aeroplani." E, Aggiunge, "È particolarmente utile per la ricerca in fase iniziale, dove molte cose potrebbero andare storte contemporaneamente."
Andando avanti, lui dice, "la nostra visione è quella di collegare questo metodo di caratterizzazione veloce con i materiali più veloci e i metodi di sintesi dei dispositivi che abbiamo sviluppato nel nostro laboratorio". In definitiva, lui dice, "Sono molto fiducioso che la combinazione di elaborazione ad alto rendimento, automazione, e l'apprendimento automatico ci aiuterà ad accelerare il tasso di sviluppo di nuovi materiali di oltre un fattore cinque. Questo potrebbe essere trasformativo, portando le tempistiche per le nuove scoperte nella scienza dei materiali da 20 anni a circa tre-cinque anni".
