Farklı polimerlerden yapılmış organik bir güneş pili oluşturmak için en uygun konfigürasyonu aranıyor? Peki nasıl başlayacak? Aktif katmanın çok kalın mı yoksa çok ince mi olması gerekiyor? Her bir polimerden büyük mü yoksa az miktarda mı gerekiyor?
Optimum performansla sonuçlanacak spesifik bileşimi ve hücre tasarımını nasıl tahmin edeceğimizi bilmek, malzeme bilimindeki en büyük çözülmemiş sorunlardan biridir. Bu, kısmen, cihaz performansının birden çok faktöre bağlı olmasından kaynaklanmaktadır.
Barselona Malzeme Bilimi Enstitüsü’nden, enerji uygulamaları için malzemeler konusunda uzmanlaşmış araştırmacılar; (organik güneş pillerinin performansının benzeri görülmemiş tahmin yeteneği sayesinde) yapay zeka algoritmalarıyla topladıkları deneysel veri noktalarıyla ve yapay zeka algoritmalarıyla birleştirmek için çalışmalar yaptılar.
Mariano Campoy-Quiles liderliğindeki ICMAB araştırmacıları, geleneksel yöntemlere kıyasla zamanı hızlandırarak, yalnızca bir tanede çok sayıda örneğe sahip olmalarına olanak tanıyan yeni bir deneysel yöntem kullanarak birden fazla veri kümesi oluşturdu. Daha sonra, makine öğrenimi modelleri; bu veri setlerinden öğrenmek ve Imperial College London’da sentezlenen yeni organik yarı iletkenler gibi daha da fazla malzemenin performansını tahmin etmek için kullanldı.
Bu çalışma, belirli malzeme ve cihazların optimum koşullarını tahmin etmek için yapay zeka ve yüksek verimli deneyleri birleştiren alandaki birçok araştırmanın ilki olabilir.
Birden çok deneysel veri noktası…
Bu çalışmanın temel yönlerinden biri, araştırmacıların minimum deneysel çabayla büyük ve anlamlı veri kümeleri oluşturabilmeleridir. Bu, doğru ve güvenilir modeller ve tahminler elde etmek için makine öğrenimi modellemesinin başarısına yönelik önemli bir husustur.
Araştırmacılar, organik güneş pillerinin performansını en çok etkileyen parametrelerde (yani bileşim ve kalınlık) gradyanlara sahip numuneler ürettikleri kombinatoryal taramaya dayalı bir metodoloji kullanırlar.
Araştırmacı Mariano Campoy-Quiles: “Geleneksel bir yöntem kullanırken, bir numune size yalnızca bir nokta hakkında bilgi sağlar. Ancak, bizim metodolojimizi kullanarak 10 ila 1000 kat daha fazla puan elde edebiliriz. Bu, bir yandan bir malzemenin fotovoltaik potansiyelini değerlendirmeye olanak tanır. (50 kat daha hızlı) Öte yandan, farklı yapay zeka algoritmalarını güvenilir bir şekilde eğitmemize olanak tanıyan büyük istatistikler ve çok büyük bir veri kümesi (yüz binlerce nokta) sağlar.”
Davranışı Tahmin Etmek için Yapay Zeka Algoritmaları
Araştırmacı Xabier Rodríguez-Martínez: “Bu çalışmada, yapay zekanın geniş alanında, makinelere (yani bilgisayarlara) belirli bir veri kümesinden öğrenme yeteneği kazandıran, ancak zorunlu olarak alması gerekmeyen her türlü algoritmayı toplayan bir terim olan makine öğrenimini uyguluyoruz. Burada, büyük deneysel veri kümelerimizden tahmine dayalı modeller çıkarmak için daha istatistiksel yapay zeka vizyonundan yararlanıyoruz.”
Malzeme bilimi alanındaki yapay zeka algoritmaları, esas olarak davranış kalıplarını aramak ve belirli bir uygulama için bir malzeme ailesinin davranışının öngörücü modellerini daha da geliştirmek için kullanılır. Bunu yapmak için, bir algoritma önce bir model algoritması oluşturmak için onu gerçek verilere maruz bırakarak eğitilir. Model daha sonra (modeli oluşturmak için) kullanılmayan, ancak aynı malzeme kategorisinden kullanılan diğer veri noktalarıyla doğrulanır. Doğrulandıktan sonra algoritma; eğitimin veya doğrulama setinin parçası olmayan diğer benzer materyallerin davranışını tahmin etmek için uygulanır.
Bu özel çalışmada, yapay zeka algoritmaları; organik bir güneş pilinin verimliliğini belirleyen farklı faktörleri değerlendirmek ve tahmin etmek için yüksek verimli yöntemle elde edilen binlerce nokta ile eğitilir.
