機械学習が太陽電池ペロブスカイトの発見を加速する(Machine learning accelerates discovery of solar-cell perovskites)

ad
太陽エネルギーの普及に向け、効率的に太陽光を電気に変換する材料の発見が重要です。シリコンに代わり、コストが低く製造が簡単なペロブスカイト材料に注目が集まっていますが、効率的な「バンドギャップ」を持つものを見つけることが課題です。EPFLの研究チームは、機械学習と高度な計算技術を組み合わせ、最適なペロブスカイト材料を探索する方法を開発しました。彼らは246種類のペロブスカイトのバンドギャップデータを基に機械学習モデルを構築し、約15,000の候補から最適な14種類の新材料を特定しました。この研究は、太陽電池の効率化とコスト削減を実現し、太陽エネルギーの普及と気候変動対策に寄与する可能性を示しています。

<関連情報>

バンドギャップ記述子の普遍性と光起電力ペロブスカイトの発見を可能にする高品質データ High-Quality Data Enabling Universality of Band Gap Descriptor and Discovery of Photovoltaic Perovskites

Haiyuan Wang, Runhai Ouyang, Wei Chen, and Alfredo Pasquarello
Journal of the American Chemical Society  Published:May 2, 2024
DOI:https://doi.org/10.1021/jacs.4c03507

Abstract

機械学習が太陽電池ペロブスカイトの発見を加速する(Machine learning accelerates discovery of solar-cell perovskites)

Extensive machine-learning-assisted research has been dedicated to predicting band gaps for perovskites, driven by their immense potential in photovoltaics. Yet, the effectiveness is often hampered by the lack of high-quality band gap data sets, particularly for perovskites involving d orbitals. In this work, we consistently calculate a large data set of band gaps with a high level of accuracy, which is rigorously validated by experimental and state-of-the-art GW band gaps. Leveraging this achievement, our machine-learning-derived descriptor exhibits exceptional universality and robustness, proving effectiveness not only for single and double, halide and oxide perovskites regardless of the underlying atomic structures but also for hybrid organic–inorganic perovskites. With this approach, we comprehensively explore up to 15,659 materials, unveiling 14 unreported lead-free perovskites with suitable band gaps for photovoltaics. Notably, MASnBr3, FA2SnGeBr6, MA2AuAuBr6, FA2AuAuBr6, FA2InBiCl6, FA2InBiBr6, and Ba2InBiO6 stand out with direct band gaps, small effective masses, low exciton binding energies, and high stabilities.

0402電気応用
ad
ad
Follow
ad
タイトルとURLをコピーしました