Fotovoltaik og solenergi

img-mv26vnlb-ddcd108c

 

Beskrivelse

Screen perovskite, tandem og passiveringsmaterialer efter forudsigelse. MatterSeek forudsiger fotovoltaiske materialeegenskaber ud fra sammensætning.

 

3 77

Fotovoltaik og solenergi —Materialesystem / Forudsigelig Ydeevne / Valideringsvej

 

 

 

 

 

AI til fotovoltaiske materialer — Ingeniør Perovskite-absorbere og passiveringslag efter forudsigelse

 

 

1. MatterSeek er en R&D-platform til kunstig intelligens til udvikling af fotovoltaiske materialer.

Den forudsiger egenskaberne af absorbere, passiveringslag, transportlag og indkapslingsmaterialer ud fra kemisk sammensætning, så kandidatkemierne kan rangeres, før en belægnings- eller udglødningskørsel er planlagt.

2. Design af fotovoltaiske materialer er et multi-objektivt problem.

Absorberbåndstrukturen skal indstilles, mens termisk og fugtstabilitet bevares; passiveringskemi skal undertrykke grænsefladerekombination uden at indføre parasitisk absorption; tandem stakke tilføjer en kompatibilitetsbegrænsning oven i begge. Hvert af disse mål testes normalt gennem separate fremstillings- og målekampagner, og kombinationerne formerer sig hurtigt.

3. Erstat den første screeningsrunde med forudsigelse.

Beskriv målsammensætningsområdet og det ejendomsvindue, du har brug for, og MatterSeek returnerer rangerede kandidater med forudsagte ejendomsværdier og usikkerhed. Platformen håndterer et til fire basiselementer med en præcision på dopingniveau på 0,02 - den granularitet, som legerings- og A-sted- eller B-site-substitutionsstudier faktisk kræver. Forudsigelse afsluttes på cirka et minut for to basiselementer, op til syv minutter for fire. Resultaterne præsenteres som radardiagrammer til sammenligning af flere egenskaber, 2D- og 3D-varmekort, der visualiserer ejendomslandskaber på tværs af kompositionsrummet, og eksporterbare datatabeller til downstream-designgennemgang.

4. Ejendomsfamilier omfattet.

Motoren spænder over optiske, elektroniske, termiske, termodynamiske og strukturelle egenskabsfamilier, herunder smeltepunkt og elektronisk-struktur-relaterede egenskaber - de mængder, der styrer fasestabiliteten under udglødning og den elektroniske opførsel af en absorber eller et transportlag.

5. Luk løkken i et autonomt laboratorium.

Shortlistede kandidater flytter ind i MatterSeeks 1.200 m² autonome laboratorium. Dens seks procesklynger dækker de ruter, der betyder noget for solcelleanlæg: ren tyndfilmsaflejring og efterbehandling med multi-bad substratrensning, magnetronforstøvning og elektronstrålefordampning, plus sol-gel og superkritisk tørring til porøse lag og oxidlag. Automatiseret karakterisering inkluderer XRD til faseidentifikation, Raman, XRF og samtidig termisk analyse med et angivet mål på 300 til 500 prøver om dagen afhængig af rute. Prædiktionsnøjagtigheden er 95,7 % i forhold til fysisk måling.

6. De behandlede fotovoltaiske materialefamilier omfatter perovskitabsorbere,

tandem- og transportlag, defekt-passiveringskemi, transparente ledende oxider og modulindkapslingsmaterialer.

 

FAQ

 

 

Q: Kan MatterSeek forudsige egenskaber af perovskitsammensætninger?

A: Ja. Du definerer kompositionsområdet og egenskabsvinduet, og platformen returnerer rangerede kandidater med forudsagte værdier og usikkerhed, før nogen film deponeres.

Q: Hvilke fremstillingsruter er tilgængelige for validering?

A: Tyndfilmsaflejring med magnetronforstøvning og elektronstrålefordampning, sol-gel-ruter og superkritisk tørring - alt sammen automatiseret i det autonome laboratorium.

Q: Hvor nøjagtige er forudsigelserne?

A: 95,7 % nøjagtighed mod fysisk måling, med usikkerhed rapporteret pr. forudsigelse.

Yuyao (Beijing) Technology Co., Ltd. er en professionel virksomhed, der er specialiseret i skæringspunktet mellem AI og avancerede materialer inden for solceller og solenergi. Virksomheden har uafhængigt udviklet MatterSeek - en grundlæggende stor model skræddersyet til materialesektoren - og var banebrydende for HNN (Hierarchical Neural Network) algoritmen, mens de opbyggede en proprietær, kontrollerbar materialeeksperimentdatabase.