Nuovo modello di apprendimento automatico


Nuovo modello di apprendimento automatico

Creato un nuovo tipo di modello di apprendimento automatico per prevedere l'efficienza di conversione dell'energia (PCE) dei materiali che possono essere utilizzati nelle celle solari organiche di prossima generazione, compresi i composti “virtuali” che non esistono ancora.

Da “Terminator” a “Matrix”, Hollywood ci ha insegnato a diffidare dell'intelligenza artificiale. Ma piuttosto che sigillare il nostro destino sul grande schermo, gli algoritmi potrebbero essere la soluzione ad almeno un problema presentato dalla crisi climatica.

I ricercatori dell'ARC Center of Excellence in Exciton Science hanno creato con successo un nuovo tipo di modello di apprendimento automatico per prevedere l'efficienza di conversione dell'energia (PCE - power-conversion efficiency) dei materiali che possono essere utilizzati nelle celle solari organiche di prossima generazione, compresi i composti “virtuali” che non esistono ancora.

A differenza di alcuni modelli complicati e dispendiosi in termini di tempo, l'ultimo approccio è rapido, facile da usare e il codice è disponibile gratuitamente per tutti gli scienziati e gli ingegneri.

La chiave per sviluppare un modello più efficiente e di facile utilizzo era sostituire parametri complicati e computazionalmente costosi, che richiedono calcoli di meccanica quantistica, con descrittori delle firme delle molecole analizzate più semplici e interpretabili chimicamente. Forniscono dati importanti sui frammenti chimici più significativi nei materiali che influenzano la PCE (power-conversion efficiency), generando informazioni che possono essere utilizzate per progettare materiali migliori.

Il nuovo approccio potrebbe aiutare ad accelerare in modo significativo il processo di progettazione di celle solari più efficienti in un momento in cui la domanda di energia rinnovabile, e la sua importanza nella riduzione delle emissioni di carbonio, è più grande che mai. I risultati sono stati pubblicati sulla rivista Nature Computational Materials. (1)

Dopo decenni di affidamento al silicio, che è relativamente costoso e privo di flessibilità, l'attenzione è sempre più rivolta alle celle solari fotovoltaiche organiche (OPV), che saranno più economiche da realizzare utilizzando le tecnologie di stampa, oltre ad essere più versatili e facili da smaltire.

Una delle sfide principali è selezionare l'enorme volume di composti chimici potenzialmente adatti che possono essere sintetizzati (realizzati su misura dagli scienziati) per l'uso negli OPV.

I ricercatori hanno già provato a utilizzare l'apprendimento automatico per risolvere questo problema, ma molti di questi modelli richiedevano tempo, una notevole potenza di elaborazione del computer ed erano difficili da replicare. E, soprattutto, non hanno fornito una guida sufficiente per gli scienziati sperimentali che cercano di costruire nuovi dispositivi solari.

Ora, il lavoro guidato dalla dottoressa Nastaran Meftahi (2) e dal professor Salvy Russo (3) della RMIT University, in collaborazione con il team del professor Udo Bach (4) alla Monash University, ha affrontato con successo molte di queste sfide.

la dottoressa Nastaran Meftahi sostiene che «La maggior parte degli altri modelli utilizza descrittori elettronici che sono complicati e computazionalmente costosi, e non sono chimicamente interpretabili. Significa che il chimico o lo scienziato sperimentale non può trarre idee da quei modelli per progettare e sintetizzare i materiali in laboratorio. Se guardano i miei modelli, perché ho usato descrittori semplici e chimicamente interpretabili, possono vedere i frammenti importanti».

Il lavoro della dottoressa Nastaran è stato fortemente supportato dal suo co-autore, il professor Dave Winkler (5) del CSIRO's Data 61, Monash University, La Trobe University e l'Università di Nottingham. Il professor Winkler ha co-creato il programma BioModeller che ha fornito la base per il nuovo modello open source.

Utilizzando questo programma, i ricercatori hanno prodotto convincenti e predittivi risultati con lo scopo di generare, tra gli altri dati, relazioni quantitative tra le firme molecolari in esame e l'efficienza dei futuri dispositivi OPV.

La dottoressa Nastaran e i suoi colleghi intendono ora estendere l'ambito del loro lavoro per includere set di dati calcolati e sperimentali più grandi e accurati.

Riferimenti:

(1) Machine learning property prediction for organic photovoltaic devices

(2) Nastaran Meftahi

(3) Salvy Russo

(4) Udo Bach

(5) Dave Winkler

Descrizione foto: Celle solari. / La dottoressa Nastaran Meftahi della RMIT University e dell'ARC Center of Excellence in Exciton Science - Credit: Shutterstock/LuYago / Exciton Science.

Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: Terminator salvation? New machine learning program to speed up clean energy generation

Aggiungi un commento

Filtered HTML

  • Indirizzi web o e-mail vengono trasformati in link automaticamente
  • Elementi HTML permessi: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd>
  • Linee e paragrafi vanno a capo automaticamente.

Plain text

  • Nessun tag HTML consentito.
  • Indirizzi web o e-mail vengono trasformati in link automaticamente
  • Linee e paragrafi vanno a capo automaticamente.
CAPTCHA
Questa domanda serve a verificare se sei un lettore o un robot.
Image CAPTCHA
Enter the characters shown in the image.