Chemia i sztuczna inteligencja razem dla przemysłu

Chemia i sztuczna inteligencja razem dla przemysłu Departament Energii USA

Naukowcy z Departamentu Energii w Oak Ridge National Laboratory i na Uniwersytecie Tennessee automatyzują poszukiwania nowych materiałów, które mogłyby posłużyć m.in. do rozwoju technologii pozyskiwania i wykorzystania energii słonecznej.

Nowatorskie podejście do tego tematu łączy robotykę i uczenie maszynowe w celu zbadania perowskitów metalohalogenkowych lub MHP – cienkich, lekkich, elastycznych materiałów o wyjątkowych właściwościach, które będzie można wykorzystywać np. do produkcji ogniw słonecznych, energooszczędnego oświetlenia i czujników.

Próba zidentyfikowanie najbardziej stabilnych materiałów MHP do integracji urządzeń

Chociaż materiały MHP są atrakcyjne ze względu na wysoką wydajność i niskie koszty produkcji, ich wrażliwość na środowisko ogranicza ich wykorzystanie operacyjne. Przykłady z życia pokazują tendencję do zbyt szybkiej degradacji w naturalnych warunkach otoczenia, takich jak: światło, wilgotność lub ciepło.

Duży potencjał perowskitów stanowi jednocześnie nieodłączną przeszkodę w odkrywaniu materiałów. Naukowcy muszą zmierzyć się z ogromną przestrzenią projektową, próbując opracować solidniejsze modele. Zespół wybrał cztery modelowe systemy MHP – uzyskując w sumie 380 kompozycji – w celu zademonstrowania nowych możliwości dla materiałów przetwarzalnych w roztworze.

W etapie syntezy wykorzystano programowalnego robota pipetującego przeznaczonego do pracy ze standardowymi 96-dołkowymi mikropłytkami. Maszyna oszczędza czas w porównaniu z ręcznym dozowaniem i minimalizuje błędy w odtwarzaniu żmudnego procesu, który musi być wykonywany w dokładnie takich samych warunkach otoczenia. Następnie naukowcy wystawili próbki na działanie powietrza i zmierzyli ich właściwości fotoluminescencyjne za pomocą standardowego czytnika płytek optycznych.

Algorytm uczenia maszynowego

Powtarzanie tego procesu przez kilka godzin pozwoliło uchwycić złożone diagramy fazowe, w których długości fal światła różnią się w zależności od składu i ewoluują w czasie. Zespół opracował też algorytm uczenia maszynowego do analizy danych i znalezienia się w regionach o wysokiej stabilności.

Podczas gdy badanie koncentruje się na odkrywaniu materiałów w celu zidentyfikowania najbardziej stabilnych składów, przepływ pracy można również wykorzystać do optymalizacji właściwości materiału pod kątem określonych zastosowań optoelektronicznych. Zautomatyzowany proces można zastosować do dowolnego materiału przetwarzalnego w roztworze, aby uzyskać oszczędność czasu i kosztów w porównaniu z tradycyjnymi metodami syntezy.

Źródło: ACS Energy Letters

O Autorze

MM Magazyn Przemysłowy jest tytułem branżowym typu business to business, w którym poruszana jest tematyka z różnych najważniejszych sektorów przemysłowych. Redakcja online MM Magazynu Przemysłowego  przygotowuje i publikuje na stronie artykuły techniczne, nowości produktowe oraz inne ciekawe informacje ze świata przemysłu i nie tylko.

Tagi artykułu

Zobacz również

Chcesz otrzymać nasze czasopismo?

Zamów prenumeratę