Dispositivo a cella solare accettore di fullereni, per il quale il polimero è stato progettato mediante apprendimento automatico. Credito:Università di Osaka
I ricercatori dell'Università di Osaka hanno utilizzato l'apprendimento automatico per progettare nuovi polimeri da utilizzare nei dispositivi fotovoltaici. Dopo aver esaminato virtualmente oltre 200, 000 materiali candidati, hanno sintetizzato uno dei più promettenti e hanno scoperto che le sue proprietà erano coerenti con le loro previsioni. Questo lavoro può portare a una rivoluzione nel modo in cui vengono scoperti i materiali funzionali.
L'apprendimento automatico è un potente strumento che consente ai computer di fare previsioni su situazioni anche complesse, purché gli algoritmi siano forniti con dati di esempio sufficienti. Ciò è particolarmente utile per problemi complessi nella scienza dei materiali, come la progettazione di molecole per celle solari organiche, che può dipendere da una vasta gamma di fattori e strutture molecolari sconosciute. Gli uomini impiegherebbero anni per vagliare i dati per trovare i modelli sottostanti e anche di più per testare tutte le possibili combinazioni candidate di polimeri donatori e molecole accettore che costituiscono una cella solare organica. Così, i progressi nel migliorare l'efficienza delle celle solari per essere competitivi nello spazio delle energie rinnovabili sono stati lenti.
Ora, i ricercatori dell'Università di Osaka hanno utilizzato l'apprendimento automatico per esaminare centinaia di migliaia di coppie donatore:accettore sulla base di un algoritmo addestrato con i dati di studi sperimentali pubblicati in precedenza. Provare tutte le possibili combinazioni di 382 molecole donatrici e 526 molecole accettore ha portato a 200, 932 coppie che sono state testate virtualmente prevedendo la loro efficienza di conversione energetica.
Fig. 2. Esempio di strutture chimiche di un polimero (a sinistra) e di un accettore non fullerenico (a destra). Credito:Università di Osaka
"Basare la costruzione del nostro modello basato sulla macchina su un set di dati sperimentali ha migliorato drasticamente l'accuratezza della previsione, " dice il primo autore Kakaraparthi Kranthiraja.
Per verificare questo metodo, uno dei polimeri che si prevedeva avesse un'elevata efficienza è stato sintetizzato in laboratorio e testato. Le sue proprietà sono risultate conformi alle previsioni, che ha dato ai ricercatori più fiducia nel loro approccio.
Fig. 3. Metodo per lo sviluppo del modello di machine learning, generazione virtuale di polimeri, e selezione di polimeri per la sintesi. Credito:Università di Osaka
"Questo progetto può contribuire non solo allo sviluppo di celle solari organiche altamente efficienti, ma può anche essere adattato all'informatica materiale di altri materiali funzionali, ", afferma l'autore senior Akinori Saeki.
Potremmo vedere questo tipo di apprendimento automatico, in cui un algoritmo può esaminare rapidamente migliaia o forse anche milioni di molecole candidate sulla base di previsioni di apprendimento automatico, applicato ad altri settori, quali catalizzatori e polimeri funzionali.
