Machine Learning-Accelerated Band-Edge Engineering of Pnictogen Chalcohalide Solid Solutions for Solar Energy Technologies
Deze studie maakt gebruik van machine learning gecombineerd met first-principles berekeningen om de instelbare bandrandposities van pnictogeen-chalcohalide vaste oplossingen over hun volledige compositionele bereik en oppervlakte-terminaties in kaart te brengen, waarbij specifieke formuleringen worden geïdentificeerd die geschikt zijn voor diverse zonne-energietoepassingen en wordt onthuld dat facetselectie een kritische ontwerpparameter is die vergelijkbaar is met chemische substitutie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De zoektocht naar betere zonne-energie en schonere brandstoffen leidt wetenschappers vaak naar de atomaire schaal, waar zij zoeken naar materialen die zonlicht kunnen opvangen en dit kunnen omzetten in elektriciteit of chemische energie. In het hart van deze zoektocht staan halfgeleiders, een speciale klasse vaste stoffen die fungen als de brug tussen licht en elektrische stroom. Voor een materiaal om nuttig te zijn in deze rollen, moeten de interne energieniveaus precies goed zijn: ze moeten zo gepositioneerd zijn dat wanneer licht erop valt, de resulterende elektrische ladingen naar buiten kunnen stromen om werk te verrichten, of chemische reacties kunnen voortstuwen. Als deze energieniveaus zelfs maar iets afwijken, kan het materiaal weliswaar licht absorberen, maar de energie niet vrijgeven, of kan het de ladingen simpelweg tegen elkaar wegwerken voordat ze gebruikt kunnen worden. Het vinden van het perfecte materiaal is als het afstemmen van een radio op een specifieke zender; het signaal moet helder en sterk zijn, en de frequentie moet exact overeenkomen met wat het apparaat moet ontvangen.
In de afgelopen jaren is een familie van materialen bekend als pnictogeengehalhaliden opgekomen als een veelbelovende kandidaat voor deze taken. Deze verbindingen zijn gemaakt van elementen die algemeen voorkomen in de aardkorst, niet-toxisch zijn en bij relatief lage temperaturen verwerkt kunnen worden, wat ze aantrekkelijk maakt voor grootschalige energietoepassingen. Ze bezitten van nature een breed scala aan energieopeningen, de afstand tussen hun laagste en hoogste energietoestanden, die aangepast kunnen worden door hun chemische samenstelling te veranderen. Deze materialen zijn echter niet alleen eenvoudige blokken atomen; ze hebben duidelijke oppervlakken, vergelijkbaar met de verschillende zijden van een kristal. Het gedrag van elektronen op het ene oppervlak kan aanzienlijk verschillen van een ander, zelfs als het materiaal binnenin hetzelfde is. Dit creëert een enorme puzzel voor onderzoekers: met zoveel mogelijke combinaties van ingrediënten en zoveel verschillende manieren waarop het oppervlak kan worden gerangschikt, is het onmogelijk om elke enkele mogelijkheid in een laboratorium te testen. Het aantal potentiële recepten is simpelweg te groot om één voor één te verkennen.
Om dit probleem op te lossen, combineerde een team van onderzoekers de precisie van computersimulaties met de snelheid van machine learning. Ze richtten zich op een specifieke groep van deze materialen, die te beschouwen zijn als een vaste mengeling waarbij de ingrediënten in elke gewenste verhouding kunnen worden uitgewisseld. Het team gebruikte krachtige computers om de exacte energieniveaus voor een groot aantal van deze mengsels op twee van hun meest stabiele oppervlakken te berekenen. Omdat het berekenen van elke mogelijke combinatie te lang zou duren, trainden ze een computerprogramma om patronen te herkennen in de gegevens die ze wel hadden berekend. Dit kunstmatige intelligentiemodel leerde de energieniveaus voor duizenden nieuwe, ongeteste mengsels met hoge nauwkeurigheid te voorspellen, waardoor het hele landschap van mogelijkheden effectief in kaart werd gebracht zonder dat ze ze allemaal hoefden te bouwen.
De resultaten van deze digitale verkenning onthulden een krachtige nieuwe manier om deze materialen te beheersen. De onderzoekers ontdekten dat ze door simpelweg de verhouding van de ingrediënten te veranderen, de energieniveaus met meer dan één elektronvolt konden verschuiven, een aanzienlijke hoeveelheid die precieze afstemming mogelijk maakt. Nog verrassender was de ontdekking dat het oppervlak zelf fungeert als een belangrijke regelknop. Zelfs voor exact dezelfde mengeling van ingrediënten kon het energiepeil op het ene oppervlak met wel 0,6 elektronvolt verschuiven ten opzichte van het andere oppervlak. Dit betekent dat de keuze voor welke zijde van het kristal wordt blootgesteld, net zo belangrijk is voor het ontwerpen van een apparaat als het kiezen van het chemische recept. De twee oppervlakken, hoewel bijna identiek in hun stabiliteit, gedragen zich zeer verschillend wanneer het gaat om de interactie met licht en elektriciteit.
Wanneer de onderzoekers deze bevindingen toepasten op de echte wereld, werden de verschillen duidelijk. Voor de taak van het splitsen van water om waterstofbrandstof te produceren, bleek de oriëntatie van het oppervlak cruciaal. Eén oppervlaksoriëntatie bleek in staat te zijn om de noodzakelijke chemische reacties te drijven om water te splitsen in waterstof en zuurstof, mits de juiste mix van ingrediënten werd gebruikt. De andere oppervlaksoriëntatie slaagde er, ondanks dat deze van precies hetzelfde materiaal was gemaakt, niet in om de benodigde energievereisten voor deze reactie te overbruggen, waardoor deze voor dit specifieke doel inactief bleef. De studie identificeerde specifieke combinaties van elementen die niet alleen de productie van waterstof konden aandrijven, maar ook de creatie van ammoniak, methaan en waterstofperoxide, waarmee effectief een menu van brandstofmakende opties werd opgesteld op basis van de samenstelling van het materiaal en het oppervlak.
In de sfeer van zonnecellen boden de bevindingen een waarschuwende maar nuttige inzichten. De onderzoekers testten hoe goed deze materialen zouden werken met veelvoorkomende contactlagen die worden gebruikt in zonnepanelen om elektriciteit te verzamelen. Ze ontdekten dat hoewel de materialen goed konden werken met bepaalde lagen om positieve ladingen te verzamelen, ze niet goed uitlijnden met standaardmaterialen om negatieve ladingen te verzamelen. Dit suggereert dat hoewel deze nieuwe materialen uitstekend zijn in het absorberen van licht en het genereren van ladingen, het bouwen van een volledige zonnecel een nieuw type contactlaag zal vereisen die specifiek is ontworpen voor het verzamelen van de negatieve ladingen. De studie concludeert dat deze materialen een zeer flexibel platform bieden voor energietechnologieën, maar dat hun succes afhangt van het zorgvuldig ontwerpen van zowel de chemische mengeling als het specifieke oppervlak dat aan de omgeving wordt blootgesteld. Door machine learning te gebruiken om door deze complexe ruimte te navigeren, hebben de onderzoekers een duidelijke routekaart geboden voor hoe zij deze materialen kunnen inzetten voor een schonere toekomst voor energie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.