阿贡国家实验室的研究人员正在开发机器学习方法，以利用钙钛矿推进太阳能研究。图片来源：Maria Chan/阿贡国家实验室

太阳能吸收剂是用于将这种能量转化为热能或电能的材料。美国能源部（DOE）阿贡国家实验室的一个研究小组已经开发出一种机器学习方法，用于筛选成千上万的化合物作为太阳能吸收剂。

美国能源部最近的一项研究表明，到2035年，太阳能可以为全国40%的电力提供动力。根据研究人员的说法，机器学习将在实现这一崇高目标中发挥重要作用。作为人工智能（AI）的一种形式，机器学习使用大型数据集和算法的组合来模仿人类的学习方式。它从样本数据和过去经验的训练中学习，以做出更好的预测。

目前，太阳能电池的主要吸收剂是硅或碲化镉。但它们的制造成本仍然相当高，而且是能源密集型的。研究人员使用他们的机器学习方法来评估一类叫做卤化物过氧化物的材料的太阳能特性。

在过去的十年里，许多研究人员一直在研究过氧化物，因为它们在将太阳光转换为电能方面具有显著的效率。它们还为材料制备和电池制造提供了更低的成本和能源投入的前景。

阿贡研究人员用几百种卤化物过氧化物成分的数据训练他们的方法，然后将其应用于18000多种成分作为测试案例。该方法评估了这些成分的关键特性，如稳定性、吸收阳光的能力、不容易因缺陷而断裂的结构，以及其他。他们发现，计算结果与科学文献中的相关数据非常吻合。而且，这些发现将值得进一步研究的成分数量缩减到了大约400个。

领导这项研究的Maria Chan说："我们的候选名单中有已经被研究过的化合物，也有没有人研究过的化合物，甚至还有不在最初的18000个化合物之列的化合物。所以我们对此感到非常兴奋。”

该团队下一步计划使用实验来测试预测结果。理想的情况是使用一个自主的发现实验室，如阿贡的纳米材料中心（CNM）的Polybot，这是美国能源部科学办公室的一个用户设施。Polybot将机器人和人工智能的力量结合起来，在很少或没有人类干预的情况下推动科学发现。

通过使用自主实验来合成、表征和测试他们几百个主要候选人中的最佳人选，陈和她的团队预计他们还可以改进目前的机器学习方法。

Chan说："我们确实处于一个将人工智能和高性能计算应用于材料发现的新时代。除了太阳能电池，我们的设计方法可以适用于LED和红外传感器。"