211service.com
Przewiń do przodu
Laboratorium fotowoltaiczne Tonio Buonassisiego przyspiesza rozwój nowych materiałów do ogniw słonecznych, wykorzystując uczenie maszynowe, roboty i dobrą, staromodną pracę zespołową.
27 kwietnia 2021
Ten chemik-robot, z którym pracuje profesor Tonio Buonassisi w Singapurze, wykorzystuje uczenie maszynowe do mieszania chemikaliów w próbki. Zakaria Zainal
Jeśli chcemy ograniczyć zużycie paliw kopalnych na tyle, aby świat nie ocieplił się katastrofalnie, musimy wycisnąć dużo więcej energii ze słońca. Wiele grup ekspertów, w tym Międzyrządowy Zespół ds. Zmian Klimatu, stwierdziło, że do 2030 r. będziemy musieli pozyskać około jednej trzeciej światowej energii elektrycznej ze źródeł słonecznych.
W tej chwili, gdy pozostało mniej niż dziesięć lat, jesteśmy na poziomie około jednej dziesiątej, mówi Tonio Buonassis , profesor inżynierii mechanicznej i kierownik Instytutu Laboratorium Fotowoltaiki . Aby osiągnąć ten cel, będziemy musieli radykalnie przyspieszyć wdrożenie energia słoneczna .
Wysokowydajna jednostka do pipetowania robota chemika Buonassisi łączy czerwony, niebieski i żółty barwnik spożywczy w celu uzyskania określonych kolorów.
ZAKARIA ZAINALMając to na uwadze, laboratorium fotowoltaiczne było stale rekonfigurowane w ciągu ostatnich kilku lat, ponieważ Buonassisi i jego koledzy wnoszą wszystko, co mogą przyspieszyć poszukiwania nowych materiałów słonecznych. Próbowali wszystkiego, od stoperów i testów osobowości po algorytmy uczenia maszynowego i roboty do pipetowania.
Rezultatem jest tempo laboratoryjne, które jest o rzędy wielkości szybsze. Skondensowali procesy, które kiedyś zajmowały sześć miesięcy lub rok, w dwa tygodnie; Analiza widm dyfrakcji rentgenowskiej, która kiedyś wymagała dwóch do trzech godzin, można teraz przeprowadzić w 5,5 minuty. W tej chwili liczy się tylko szybkość, mówi Buonassisi.
Poza krzemem
PV Lab rozpoczęło pracę z algorytmami uczenia maszynowego w 2012 roku. Nie myśleliśmy o nich jako o zupełnie nowym sposobie uprawiania nauki, mówi Buonassisi. Po prostu pomyśleliśmy o nich jako o narzędziu zwiększającym produktywność. Ale do 2017 roku zdał sobie sprawę, że główne pytanie, wokół którego krąży laboratorium, było zbyt złożone, aby odpowiedzieć na nie tradycyjnymi metodami. Aby temu zaradzić, musiałem zmienić sposób, w jaki prowadziłem badania, mówi.
To pytanie brzmiało, jak znaleźć realne alternatywy dla krzemu do wykorzystania w przechwytywaniu energii słonecznej. W tej chwili 95% światowych ogniw słonecznych polegać na półprzewodnikach krzemowych . Ten pierwiastek występuje w dużych ilościach — znajduje się w prawie każdym błocie i piasku — a wykonane z niego ogniwa słoneczne są stosunkowo wydajne i wytrzymałe. Przeciętny krzemowy panel słoneczny może przetworzyć około 20% energii ze światła słonecznego, które w niego pada, i może pracować dzień po dniu przez dziesięciolecia bez awarii.
Kiedy utkniesz w trybie niskiej przepustowości, masz tendencję do bezpiecznego postępowania. Jeśli wiesz, że masz większe szanse, możesz być bardziej ambitny.
Ale przekształcenie krzemu w cienkie, czyste płytki potrzebne do tych ogniw jest drogie, stosunkowo trudne i energochłonne. Często wymaga również rzadszych materiałów, takich jak srebro. Nad usprawnieniem tych procesów pracują eksperci, w tym Buonassisi. Ale jeśli chcemy, aby energia słoneczna stała się główną częścią sieci, wprowadzenie niektórych łatwiejszych w produkcji materiałów rozszerzy możliwości – i, jak mówi Buonassisi, może przyspieszyć konkurencję, napędzać innowacje i obniżyć ceny na całym świecie.
Jedną z obiecujących klas materiałów są perowskity, naturalne i wytwarzane w laboratoriach związki o krystalicznej strukturze, która czyni je dobrymi półprzewodnikami. Perowskity są prostsze i szybsze w produkcji niż wafle krzemowe. Ponieważ są to związki, a nie pierwiastki, może być ich ogromna liczba, która nie została jeszcze stworzona, mówi członek PV Lab, Jim Serdy. W jednym ogniwie słonecznym można również układać różne perowskity, aby pochłaniać różne długości fal światła i wyciskać więcej energii z każdego promienia słonecznego.
Serdy mówi, że jeśli perowskity zdołają wejść na rynek energii słonecznej, może to być kluczowa ścieżka do trwałego zaspokojenia światowych potrzeb energetycznych. Ale to, czy jest to możliwe, zależy w dużej mierze od tego, jak szybko odkryjemy te nowe związki i ich właściwości.
Niezbadane terytorium
Sama liczba perowskitów jest ekscytująca — mogą istnieć tysiące, które dobrze pasują do różnych zastosowań. Ale to również sprawia, że szukanie idealnego materiału jest trudnym zadaniem — takiego, które spełni pożądane zadanie z odpowiednią kombinacją stabilności, wydajności i opłacalności, a także który można łatwo i na dużą skalę wytwarzać.
W przeszłości naukowcy próbujący odkryć lub wymyślić nowy materiał zaczynali od pewnych uzasadnionych domysłów. Stworzyli kilka materiałów w laboratorium, przetestowali je, a następnie wykorzystali to, czego się nauczyli, aby spróbować ponownie. Znalezienie tylko jednej dobrej opcji może zająć rok lub dłużej. Statystycznie rzecz biorąc, to jest jak małpy przy maszynie do pisania — wali, dopóki nie napiszą czegoś pożytecznego, mówi Buonassisi.
Naukowcy z PV Lab nadal stosują tę podstawową procedurę. (Metoda naukowa nie wychodzi z mody, mówi.) Po prostu ją turbodoładowali. Algorytmy wytrenowane w oparciu o wiedzę teoretyczną i wcześniejsze wyniki pomagają im w podejmowaniu mądrzejszych domysłów. A wysokoprzepustowe eksperymenty i zautomatyzowana analiza pozwalają im szybciej testować te domysły i równolegle przeprowadzać wiele testów. Dzięki tym wszystkim postępom jesteśmy w stanie przyspieszyć cały proces, mówi naukowiec Shijing Sun, kierownik zespołu ds. programu Accelerated Materials Development Program.
Badania o wysokiej wydajności nie tylko przyspieszają tempo odkrywania, ale także sprawiają, że ludzie stają się odważniejsi, mówi Buonassisi. Mówi, że kiedy utkniesz w trybie niskiej przepustowości, masz tendencję do ostrożnego postępowania. Jeśli jednak wiesz, że masz większe szanse, możesz być dużo bardziej ambitny.
Na przykład jesienią 2018 roku zespół Suna zaczął szukać bardziej stabilnych perowskitów. (Chociaż niektóre ogniwa słoneczne z perowskitu są teraz równie wydajne jak ogniwa krzemowe, są bardziej podatne na degradację.) Zaczęli od zidentyfikowania tego, co nazywają swoją przestrzenią poszukiwań, w tym przypadku grupy 5000 różnych możliwych materiałów do oceny – wszystkie kombinacje cezu, metyloamonu, formamidyny i jodku ołowiu, mieszanych w różnych proporcjach i syntetyzowanych na różne sposoby.
Naukowiec Shijing Sun i Buonassisi w laboratorium fotowoltaicznym w 2019 roku.
JANA FREIDAHW swojej pierwszej rundzie badań eksperymentalnych grupa poprosiła algorytm o wybranie 28 materiałów, które zapewniły szeroką próbkę możliwości, mówi Sun. Po zsyntetyzowaniu tych materiałów zespół poddał je wysokowydajnym narzędziom i technikom opracowanym przez Serdy'ego i jednego ze współpracowników technicznych laboratorium, Janaka Thapa. Narzędzia te pozwalają im szybko przetestować stabilność materiałów, wystawiając je na działanie wysokich temperatur, wysokiej wilgotności i oświetlenia — bardziej soczyste wersje warunków, jakie mogą napotkać na słonecznym dachu.
Zasadniczo umieszczamy je w saunie, mówi Armi Tiihonen, badacz z tytułem doktora w laboratorium. Zależało nam na ekstremalnym przyspieszeniu, aby materiały szybko się degradowały, ponieważ nie chcieliśmy marnować miesięcy.
Aby zmierzyć ich stabilność, zespół szkolił na materiałach kamery, ustawiając je na robienie zdjęć co pięć minut. Perowskity zmieniają kolor w miarę rozpadu, często blaknąc z prawie czarnego do jasnożółtego. Po tym, jak próbki spędziły około pięciu dni w saunie, zespół przeanalizował zdjęcia, aby określić szybkość degradacji każdego materiału. (Przeanalizowali również niektóre próbki głębiej za pomocą dyfrakcji rentgenowskiej, aby potwierdzić obserwacje wizualne i zobaczyć, jak zmieniała się struktura materiałów w miarę ich degradacji).
Następnie przesłali te wyniki z powrotem do pierwszego algorytmu i poprosili go o wybranie kolejnych 28 materiałów — niektórych podobnych do tych, które odniosły największy sukces na etapie eksperymentalnym, a niektórych z części przestrzeni, które pozostały niezbadane.
Nawet najbardziej doświadczeni naukowcy zajmujący się materiałami mieliby problem z wykonaniem tego typu rozmowy, mówi Sun. Mogę podjąć decyzję, jeśli mamy 10 materiałów – mówi. Jeśli mamy 5000 materiałów, tak naprawdę nie mogę myśleć, co dalej.
Zespół przeszedł ten cykl kilka razy — wybierając materiały za pomocą algorytmu, tworząc i testując próbki w świecie rzeczywistym oraz dostarczając informacje zwrotne do algorytmu. Pod koniec czwartej rundy znaleźli klaster materiałów, które były 17 razy bardziej stabilne niż najczęściej używany perowskit – a także trzy razy stabilniejsze niż poprzedni rekordzista laboratorium, który odkryli bardziej tradycyjnymi metodami . (Ich odkrycia i metody zostały opublikowane w lutym w czasopiśmie Matter.)
Inne projekty PV Lab odniosły podobny sukces. W 2019 roku zespół Suna postanowił znaleźć bezołowiowe perowskity. Zidentyfikowali dwa materiały, które były zupełnie nowe, a także cztery, które nigdy wcześniej nie były wykonane w postaci cienkowarstwowej niezbędnej do wykorzystania w ogniwach słonecznych. W przeszłości prawdopodobnie zajęłoby nam to ponad rok, mówi Buonassisi. Dzięki nowym metodom zostały one zrobione w dwa miesiące.
W innym eksperymencie ogniwo słoneczne perowskitowe zbudowane z jednego z tych nowych materiałów okazało się bardziej stabilne w trudnych warunkach środowiskowych niż najlepsze, jakie kiedykolwiek zrobili poprzednimi metodami, pokazując, że ulepszenia w tych poszczególnych materiałach przekładają się na urządzenia słoneczne, które są z nimi wykonane.
Zespół łączy symulację i eksperyment, aby szybko zidentyfikować i przetestować obiecujące materiały, mówi Buonassisi. Coraz bardziej zbliżamy się do momentu, w którym jesteśmy w stanie coś sobie wyobrazić, a następnie urzeczywistnić to w prawdziwym życiu.
Życie w szybkim tempie
Naukowcy z laboratorium fotowoltaicznego podejmują coraz większe tempo. W 2020 roku, po 10 latach studiowania i pracy w naukach ścisłych, Thapa zaczął zagłębiać się w uczenie maszynowe; pod koniec roku był współautorem swojego pierwszego artykułu na ten temat.
Osobowość laboratorium to zdolność adaptacji, mówi; członkowie uczą się robić wszystko, czego potrzebuje grupa. Dotyczy to nawet studentów z laboratorium. Celem jest, aby każdy student, który przejdzie, nauczył się, jak być w projekcie i być w zespole, a także być wszechstronnym, zaangażowanym członkiem społeczności STEM, mówi Sara Bonner, administrator programu laboratorium.
Cele te mogą prowadzić do nietypowych praktyk. Wiele lat temu, aby dowiedzieć się, gdzie mogą zaoszczędzić czas, laboratorium pożyczyło narzędzie z hal fabrycznych z początku XX wieku: dosłownie mieliśmy ludzi ze stoperami, którzy obserwowali każdy etap procesu laboratoryjnego i synchronizowali go, mówi Buonassisi. Na podstawie tej analizy zoptymalizowali swoje metody i zainwestowali w nowy sprzęt. Poprawili wydajność przygotowywania próbek o 350%, z 28 minut na próbkę w 2015 roku do około ośmiu w 2018 roku.
Niedawno poprosił wszystkich w laboratorium o wykonanie testów osobowości, aby mogli nauczyć się budować na swoich mocnych stronach i lepiej współpracować. Postrzega te ćwiczenia jako inwestycje. Jeśli poświęcimy czas na opracowanie tego zestawu narzędzi, który pozwoli nam pracować wydajniej, będziemy mogli rozwiązać 10 razy więcej problemów – mówi.
Kiedy stawka jest wysoka, karkołomne tempo może rzeczywiście przynieść ulgę. Na początku jej kariery, mówi Tiihonen, praca przebiegała tak wolno, że jej cele zawsze wydawały się poza zasięgiem. Ale teraz ona i jej koledzy mogą rzeczywiście osiągnąć to, czego chcemy.
Sun lubi sposób, w jaki nowe techniki pozwalają jej poszerzyć jej obszar specjalizacji – w przeszłości zespół mógł koncentrować się na jednym parametrze lub jednej klasie perowskitów, teraz mają możliwość wkroczenia w więcej projektów i naprawdę zbliżyć się do wymarzonego materiału na ogniwa słoneczne, mówi.
Zespół nieustannie poszukuje wąskich gardeł w procesie i poszerza je, jak tylko może. Od kilku lat Buonassisi spędza dużo czasu w Singapurze w ramach sojuszu Singapore-MIT na rzecz badań i technologii. Tam i na MIT zaczyna włączać roboty, które mogą wykonywać niektóre etapy prac badawczych laboratorium. Na przykład w Singapurze robot do formułowania miesza różne chemikalia w kompozycje potrzebne do wykonania próbki szybciej i dokładniej, niż naukowiec mógłby je skrupulatnie pipetować. Potrafi wykonać najdrobniejsze kroki fizyczne około cztery do dziesięciu razy szybciej niż człowiek, a jego precyzja pomaga poprawić powtarzalność. Co więcej, robotem tym można sterować zdalnie, dzięki czemu członkowie laboratorium lub współpracownicy z dowolnego miejsca mogą ustawiać w kolejce zadania i je uruchamiać, mówi Buonassisi. W międzyczasie wraz z kilkoma współpracownikami pracuje również nad narzędziem o bardzo dużej przepustowości, które pomoże naukowcom w jego laboratorium MIT przeszukiwać jeszcze więcej możliwości jednocześnie.
Chociaż maszyny mogą być szybsze, ludzie są na ogół bardziej elastyczni. Korzystanie z robotów i podobnych narzędzi, gdy są pomocne, zamiast automatyzacji wszystkiego, pozwala laboratorium przyspieszyć, zachowując jednocześnie stworzoną przez człowieka elastyczność, która według Buonassisiego jest szczególnie ważna na wczesnym etapie badań i rozwoju.
Ale maksymalne przyspieszenie, jak mówi, następuje, gdy inni przyjmą te metody i ulepszą je. PV Lab udostępnia wszystko, co robi — od algorytmów poszukujących stabilności po plany maszyn — aby wypchnąć te technologie i sprawić, by więcej ludzi było nimi podekscytowanych i pracowało nad nimi, mówi. Nie mamy czasu na czekanie.
Znalezienie idealnego przepisu
Narzędzie badawcze oparte na sztucznej inteligencji
spogląda w przeszłość, aby znaleźć lepsze sposoby
wytwarzania materiałów.
Często, aby iść do przodu, musimy spojrzeć za siebie. Elsa Olivetti, profesor rozwoju kariery Esther i Harold E. Edgerton na Wydziale Inżynierii Materiałowej MIT i jej laboratorium pracują nad zestawem algorytmów — lub, jak lubi to nazywać, potok data science — która pozwala naukowcom przeszukiwać literaturę naukową z niedawnej przeszłości, aby znaleźć wskazówki, jak budować rzeczy, których potrzebujemy na przyszłość.
Elsa Olivetti
ZDJĘCIE UPRZEJMOŚCIGrupa Olivettiego — która koncentruje się na znalezieniu zrównoważonych i przystępnych cenowo sposobów projektowania i opracowywania materiałów — zawsze poszukuje nowych narzędzi, mówi. Kilka lat temu rozmawiała z Gerbrandem Cederem, ówczesnym wykładowcą MIT i twórcą Projektu Materiałowego — baza danych informacji o znanych i przewidywanych materiałach, z której naukowcy mogą korzystać, aby znaleźć związki, które mają dokładnie poszukiwane właściwości, nawet jeśli nigdy wcześniej nie były wytwarzane.
Olivetti dostrzegł okazję, by pójść dalej. Chociaż wiedza o tym, co należy zrobić, jest ważnym pierwszym krokiem, to w jaki sposób wytwarza się materiał, trzeba wiedzieć, jeśli chodzi o wpływ na środowisko i gospodarkę, mówi. Pomyślała, że w wielu przypadkach ludzie wykonali już pracę nad przygotowaniem materiału i skrupulatnie nagrali i opublikowali, jakie kroki były zaangażowane i jak się sprawy potoczyły. Dlaczego nie wykorzystać tego zasobu?
Załóżmy, że zlecono Ci zrobienie ciasta czekoladowego, które szybko się piecze i wykorzystuje niedrogie składniki. Możesz zacząć od zera: mieszanie składników, poprawianie proporcji i pieczenie ciasta po ciastku, aż trafisz na coś, co działa. Możesz także przeglądać stare książki kucharskie, oglądać samouczki online i rozmawiać z zaufanymi przyjaciółmi. Ale co by było, gdybyś miał maszynę, która mogłaby przeglądać miliony książek kucharskich, filmów i sekcji z komentarzami na stronach o wypiekach i kompilować znalezione informacje w nowy przepis, który pasuje do twoich celów?
To jest zasadniczo to, co robi narzędzie Olivetti. Jego użytkownicy mogą chcieć wytwarzać elektrolit w stanie stałym do akumulatora litowo-jonowego lub niskoemisyjny
wymiana cementu emisyjnego. Zamiast próbować samodzielnie lub z kilkoma kolegami czytać i syntetyzować wcześniejsze prace w tej dziedzinie, mogą poprosić narzędzie, aby przejrzało tyle literatury, do jakiej ma dostęp. — obecnie miliony dokumentów i patentów.
Narzędzie Olivetti łączy algorytmy przetwarzania języka naturalnego — które skanują dokumenty, aby wyciągnąć odpowiednie informacje — z sieciami neuronowymi, które polecają nowe przepisy na podstawie tego, co działało w przeszłości. Wyszukuje informacje o danym materiale, ale także o różnych materiałach, które mogą mieć podobne właściwości.
Stworzenie zestawu algorytmów, które mogą wydestylować tak wiele artykułów, z których każdy zawiera specyficzne dla danej dziedziny słownictwo i dziwactwa stylistyczne, w postaci użytecznych przepisów, było nie lada wyzwaniem, mówi Olivetti. Ale wysiłek już zwraca nieoczekiwane spostrzeżenia.
W 2019 roku wraz z kilkoma kolegami pracowała z zeolitami, porowatymi materiałami niezbędnymi do zastosowań, od katalizy przemysłowej po oczyszczanie powietrza. Rozmiar i rozmieszczenie ich porów wpływa na to, do czego można wykorzystać zeolity, ale nie wiadomo dokładnie, jak kontrolować ten atrybut podczas syntezy. Używając swojego algorytmu do analizy literatury, Olivetti i jej koledzy byli w stanie wydedukować kluczowe kroki w tworzeniu zeolitów mniej lub bardziej porowatych — wykorzystując połączone odkrycia poprzednich badaczy, aby uchronić przyszłych przed niekończącymi się próbami i błędami.
Oprócz udostępniania istniejących przepisów na materiały, taki algorytm może pomóc w tworzeniu nowych, mówi Olivetti. Potrafi sobie wyobrazić włączenie etapu eksploracji tekstu do przepływu pracy takiego jak Buonassisi, aby wprowadzić wymiar historyczny do opartych na sztucznej inteligencji prób syntezy materiałów.
Możliwe jest również, mówi Olivetti, wykorzystanie podobnej technologii do wyciągania szerokich tematów z dziedziny lub zrozumienia pojawiających się trendów — fajne, szerokie możliwości, z których dopiero zaczynamy drapać powierzchnię.