Le celle solari fotovoltaiche sono una promettente alternativa ai combustibili fossili, ma devono essere molto più efficienti prima di poter essere ampiamente utilizzati. Gli scienziati hanno spinto al limite l'attuale potenza di supercalcolo alla ricerca di quella maggiore efficienza, ma l'arrivo dell'exascale computing nei prossimi anni consentirà loro di portare questa ricerca al livello successivo.

A tal fine, i ricercatori della Divisione di ricerca computazionale (CRD) del Berkeley Lab e del Centro di calcolo scientifico della ricerca energetica nazionale (NERSC) stanno collaborando con Carnegie Mellon e un certo numero di altre istituzioni accademiche per prepararsi a utilizzare il primo computer exascale della nazione il prossimo anno per continuare la ricerca di nuovi , materiali per celle solari fotovoltaiche più efficienti. Il progetto combinerà la simulazione analitica con l'apprendimento automatico e il data mining per scoprire nuovi materiali.

La collaborazione utilizza un software sviluppato dagli scienziati del Berkeley Lab per prevedere le proprietà di eccitazione nei potenziali materiali delle celle solari fotovoltaiche. Il software, Berkeley GW, è un pacchetto di simulazione della scienza dei materiali in grado di prevedere le proprietà dello stato eccitato dei materiali, che è il modo in cui un materiale risponde a uno stimolante come un fotone che entra in esso. BerkeleyGW è considerata una delle simulazioni di meccanica quantistica più accurate per l'acquisizione dei dati.

"Mentre l'approccio computazionale GW implementato in BerkeleyGW è estremamente accurato, era spesso considerato costoso in termini di tempo del computer necessario per eseguire il codice, "dice Jack Delippe, un leader del gruppo NERSC e uno sviluppatore principale del codice BerkeleyGW. "Per questa collaborazione, il nostro team ha ottimizzato BerkeleyGW in modo che non sia solo uno strumento predittivo accurato, ma si adatti anche alle massime prestazioni su architetture moderne, che consente ai ricercatori di analizzare fino a diverse migliaia di atomi, qualcosa che prima era impossibile".

Le celle solari convertono i fotoni del sole in elettricità assorbendo i fotoni e generando una corrente di elettroni. Di solito un fotone viene convertito in un elettrone. La collaborazione Carnegie Mellon è alla ricerca di materiali che possano subire la fissione singoletto, un processo mediante il quale un fotone eccitone singoletto fotogenerato viene convertito in due eccitoni triplette, aumentando la corrente in uscita. L'obiettivo della ricerca è trovare i materiali rari che possono subire una singola fissione per migliorare l'efficienza delle celle solari.

Tentare di trovare sperimentalmente questo tipo di materiali è un compito impossibile:i ricercatori lo paragonano alla ricerca di un ago in un pagliaio. "Ma possiamo simulare queste proprietà dei materiali, utilizzare il calcolo per eseguire lo screening delle possibilità e scegliere quelli che pensiamo siano i migliori candidati, quindi inviali al laboratorio per i test, "dice Mauro Del Ben, un ricercatore CRD che ha lavorato sul codice BerkeleyGW. "Dal momento che stiamo cercando stati eccitati in questi materiali, abbiamo bisogno di un livello di precisione che vada oltre ciò che è attualmente disponibile, ed è qui che entra in gioco BerkeleyGW."

Il costo computazionale è ancora elevato, ma migliorare le prestazioni del codice può aiutare a ridurre il carico. Ottimizzando la parallelizzazione e sfruttando acceleratori come le GPU, BerkeleyGW può affrontare in pochi nodi calcoli che in precedenza richiedevano migliaia di nodi. La ricerca è attualmente in corso sul supercomputer Theta presso l'Argonne National Laboratory, Cori al NERSC, e Summit all'Oak Ridge National Laboratory, attualmente il supercomputer più potente del mondo.

Il primo supercomputer exascale dovrebbe arrivare all'Argonne National Laboratory nel 2021. Il team di Carnegie Mellon mira a ottimizzare i flussi di lavoro in modo che la loro ricerca sia pronta per essere eseguita sul nuovo sistema exascale.

Se il progetto ha successo, potrebbe essere utilizzato come modello per qualsiasi tipo di apprendimento automatico, scoperta basata sui dati di nuovi materiali in diversi campi, stabilendo uno standard per ciò che può essere utilizzato in futuro per più applicazioni, dice Del Ben.