Pannelli solari economici: quali sono secondo l’I.A.
Un gruppo di ingegneri dell’Università della California, grazie all’apprendimento automatico, riesce oggi a prevedere il comportamento ottico delle nuove perovskiti ibride con una precisione superiore al 90%. Andiamo a scoprire quali sono le celle solari più efficienti ed economiche in circolazione secondo l’I.A.
A trovare le celle solari più economiche ed efficienti in circolazione ci pensa il “detective dell’I.A.” creato dall’Università della California a Davis.
Celle solari efficienti ed economiche: la ricerca
Un gruppo di ingegneri dell’Università della California ha impiegato algoritmi basati sull’apprendimento automatico per identificare i materiali più prometti nell’ampia classe delle perovskiti ibride organico-inorganiche.
Negli ultimi 10 anni questi composti sintetici hanno ricevuto molta attenzione dal settore fotovoltaico, raggiungendo in brevissimo tempo risultati che avevano richiesto al silicio svariati decenni. Oggi le celle fotovoltaiche in perovskite presentano efficienze paragonabili a quelle delle celle solari classiche, ma sono più leggere ed economiche da realizzare. Il problema principale di questi materiali è la stabilità: i più efficienti sono anche quelli più sensibili a fattori quali umidità, ossigeno, calore o luce.
La sintesi dei materiali come la perovskite offre un elevato numero di combinazioni chimiche possibili
L’intelligenza artificiale e il fotovoltaico: le ultime novità
La professoressa Marina Leite e le ricercatrici Meghna Srivastava e Abigail Hering hanno voluto mettere alla prova alcuni algoritmi di apprendimento automatico durante i test dei materiali. Nel dettaglio le scienziate hanno costruito un sistema automatizzato ad alta produttività per misurare l’efficienza di 5 diverse pellicole di perovskite sotto il sole dell’estate californiana.
Sono state così in grado di raccogliere oltre 7.000 misurazioni in una settimana, accumulando dati sufficienti per un training set affidabile. Hanno quindi usato queste informazioni per addestrare tre diversi algoritmi di apprendimento automatico: un modello di regressione lineare, una rete neurale e un modello statistico chiamato SARIMAX.
Il modello SARIMAX ha mostrato le migliori prestazioni con una corrispondenza del 90% rispetto ai risultati osservati durante una finestra di oltre 50 ore.
Marina Leite, a capo della ricerca, ha affermato:
“Questi risultati dimostrano che possiamo utilizzare il machine learning per identificare i materiali candidati e le condizioni per prevenire il degrado delle perovskiti”.
I prossimi passi saranno espandere gli esperimenti per quantificare le combinazioni di più fattori ambientali insieme.
