Descrizione del progetto
Migliorare la stabilità delle celle solari a perovskite mediante l’apprendimento automatico informato dalla fisica
Le celle solari di perovskite sono tra le tecnologie fotovoltaiche più promettenti, con efficienze da record che si avvicinano al 30 % in pochi decenni. Tuttavia, a causa del tempo di vita utile limitato, il loro potenziale non è ancora stato sfruttato a livello commerciale. Per semplificare la selezione di materiali stabili, sono necessari modelli migliori per prevedere il degrado dei dispositivi. Con il sostegno del programma di azioni Marie Skłodowska-Curie, il progetto ACCELERATE-PER sfrutterà l’apprendimento automatico integrato con la fisica dei materiali, sviluppando al contempo paradigmi sperimentali compatibili con l’apprendimento automatico. Ciò consentirà di allineare gli algoritmi di apprendimento automatico alla realtà fisica, superando al contempo il problema della scarsità di dati che ha ostacolato l’uso dell’apprendimento automatico nella scienza sperimentale.
Obiettivo
The development of sustainable energy production technologies, such as new types of solar cells, has traditionally taken decades. These research cycles need to be accelerated in order to respond to the urgent climate change crisis. Perovskite solar cells (PSCs) are a recent technology that boast high electricity production efficiencies, however they suffer from insufficient lifetimes. Since there are thousands of material candidates even for a single layer of a PSC, it is challenging to search for stable materials and infer device degradation mechanisms. This project aims to implement machine learning (ML) as a part of the solution. I will create an accelerated, ML-assisted research cycle for improving the lifetime of PSCs: I will focusing on optimizing the composition of the light absorbing layer – perovskite – for stability. I will show the resulting stability improvements in full PSCs and develop faster inference of the remaining PSC degradation mechanisms. The acceleration in the cycle arises from i) using ML to save experimental bandwidth, ii) designing experiments that are directly compatible with ML (opposed to first collecting data and then figuring out how to use it with ML), and iii) maximizing effectiveness by teaching physics to the ML algorithm. For example, at the materials level, the algorithm needs to know that certain perovskite compositions do not exist as mixed materials according to density functional theory. The physics integration aligns ML algorithms with physical reality and alleviates data scarcity that has traditionally hindered the use of ML in experimental science. My highly collaborative and interdisciplinary project demonstrates the potential of integrated ML-assisted research cycles in accelerating stability research, and develops applied ML methods applicable to optimization in both research and industry. The project leads to more stable PSCs, thus taking us closer to sustainable energy production.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- ingegneria e tecnologiaingegneria ambientaleenergia e carburantienergia rinnovabile
- scienze naturaliscienze fisicheastronomiaastronomia galatticafisica solare
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Invito a presentare proposte
(si apre in una nuova finestra) HORIZON-MSCA-2021-PF-01
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinatore
02150 Espoo
Finlandia