阿貢國家實驗室的研究人員正在開發機器學習方法，以利用鈣鈦礦推進太陽能研究。圖片來源：Maria Chan/阿貢國家實驗室

太陽能吸收劑是用于將這種能量轉化為熱能或電能的材料。美國能源部（DOE）阿貢國家實驗室的一個研究小組已經開發出一種機器學習方法，用于篩選成千上萬的化合物作為太陽能吸收劑。

美國能源部最近的一項研究表明，到2035年，太陽能可以為全國40%的電力提供動力。根據研究人員的說法，機器學習將在實現這一崇高目標中發揮重要作用。作為人工智能（AI）的一種形式，機器學習使用大型數據集和算法的組合來模仿人類的學習方式。它從樣本數據和過去經驗的訓練中學習，以做出更好的預測。

目前，太陽能電池的主要吸收劑是硅或碲化鎘。但它們的制造成本仍然相當高，而且是能源密集型的。研究人員使用他們的機器學習方法來評估一類叫做鹵化物過氧化物的材料的太陽能特性。

在過去的十年里，許多研究人員一直在研究過氧化物，因為它們在將太陽光轉換為電能方面具有顯著的效率。它們還為材料制備和電池制造提供了更低的成本和能源投入的前景。

阿貢研究人員用幾百種鹵化物過氧化物成分的數據訓練他們的方法，然后將其應用于18000多種成分作為測試案例。該方法評估了這些成分的關鍵特性，如穩定性、吸收陽光的能力、不容易因缺陷而斷裂的結構，以及其他。他們發現，計算結果與科學文獻中的相關數據非常吻合。而且，這些發現將值得進一步研究的成分數量縮減到了大約400個。

領導這項研究的Maria Chan說："我們的候選名單中有已經被研究過的化合物，也有沒有人研究過的化合物，甚至還有不在最初的18000個化合物之列的化合物。所以我們對此感到非常興奮。”

該團隊下一步計劃使用實驗來測試預測結果。理想的情況是使用一個自主的發現實驗室，如阿貢的納米材料中心（CNM）的Polybot，這是美國能源部科學辦公室的一個用戶設施。Polybot將機器人和人工智能的力量結合起來，在很少或沒有人類干預的情況下推動科學發現。

通過使用自主實驗來合成、表征和測試他們幾百個主要候選人中的最佳人選，陳和她的團隊預計他們還可以改進目前的機器學習方法。

Chan說："我們確實處于一個將人工智能和高性能計算應用于材料發現的新時代。除了太陽能電池，我們的設計方法可以適用于LED和紅外傳感器。"