机器学习用于识别高性能太阳能材料

凭借超级计算机，科学家们发现了有希望的太阳能电池新材料。

寻找用于太阳能电池的最佳捕光化学品可能就像在大海捞针一样。多年来，研究人员开发并测试了数千种不同的染料和颜料，以了解它们如何吸收阳光并将其转化为电能。对所有这些进行排序需要一种创新的方法。

现在，由于一项将超级计算的力量与数据科学和实验方法结合起来的研究，美国能源部(DOE)阿贡国家实验室和英国剑桥大学的研究人员开发了一种新颖的“设计到设备”方法。确定用于染料敏化太阳能电池(DSSCs)的有前途的材料。DSSC可以采用低成本，可扩展的技术制造，从而实现具有竞争力的性价比。

由Argonne材料科学家Jacqueline Cole领导的团队，他也是剑桥大学卡文迪什实验室分子工程小组的负责人，使用Argonne领导计算机构(ALCF)的Theta超级计算机来确定五个高性能，低从近10,000名制造和设备测试的候选人中获得成本的染料。ALCF是美国能源部科学用户设施办公室。

“这项研究特别令人兴奋，因为我们能够展示数据驱动材料发现的完整周期 - 从使用先进的计算方法识别具有最佳性能的材料到在实验室中合成这些材料并在实际光伏器件中测试它们，”科尔说。

通过ALCF数据科学计划项目，Cole与Argonne计算科学家合作创建了一个自动化工作流程，该工作流程结合了模拟，数据挖掘和机器学习技术，可同时分析数千种化合物。该过程始于努力对数十万种科学期刊进行分类，以收集各种有机染料候选物的化学和吸收数据。

“这个过程的优势在于它消除了旧的手工数据库管理，这需要多年的工作量，并将其减少到几个月，最终几天，”科尔说。

计算工作涉及使用更精细和更精细的筛选技术来生成成对的潜在染料，这些染料可以彼此组合以吸收太阳光谱上的光。“几乎不可能找到一种真正适用于所有波长的染料，”科尔说。“有机分子尤其如此，因为它们具有更窄的光学吸收带;然而，我们真的只想专注于有机分子，因为它们更加环保。”

为了将初始批次的10,000个潜在染料候选者缩小到仅使用ALCF计算资源来执行多步骤方法的几个最有希望的可能性。首先，Cole和她的同事使用数据挖掘工具来消除任何有机金属分子，这些分子通常比给定波长的有机染料吸收更少的光，而有机分子则太小而不能吸收可见光。

即使在第一次通过后，研究人员仍然需要考虑大约3,000个染料候选者。为了进一步完善选择，科学家筛选出含有羧酸成分的染料，这些成分可用作化学“胶水”或锚，将染料附着在二氧化钛载体上。然后，研究人员使用Theta对剩余的候选物进行电子结构计算，以确定每种染料的分子偶极矩(或极性程度)。

“我们真的希望这些分子具有足够的极性，使得它们的电子电荷在整个分子中都很高，”科尔说。“这使得光激发的电子穿过染料的长度，通过化学胶，进入二氧化钛半导体，启动电路。”

在将搜索范围缩小到大约300种染料之后，研究人员使用他们的计算机设置来检查它们的光学吸收光谱，以生成一批大约30个染料，这些染料可以作为实验验证的候选对象。然而，在实际合成染料之前，Cole和她的同事们在Theta上进行了计算密集型密度泛函理论(DFT)计算，以评估每种染料在实验环境中的表现。

该研究的最后阶段涉及通过实验验证这些预测中五种最有希望的染料候选物的集合，这需要全球合作。由于每种不同的染料最初都是在世界各地的不同实验室中合成用于其他目的，因此Cole联系了原始的染料开发商，每个染料开发人员都派遣了一种新的样品染料供她的团队调查。

“让来自世界各地的这么多人为这项研究做出贡献真的是一团糟的团队合作，”科尔说。

在Argonne的纳米材料研究中心，另一个DOEOffice of Science用户设施，以及剑桥大学和Rutherford Appleton实验室的实验中，Cole和她的同事们发现，其中一些曾经嵌入光伏器件中，实现了功率转换效率大致等于工业标准有机金属染料的功率转换效率。

“这是一个特别令人鼓舞的结果，因为我们因为环境原因限制自己的有机分子使我们的生活更加艰难，但我们发现这些有机染料的表现与一些最着名的有机金属一样，”科尔说。