يمكن لنوع من الذكاء الاصطناعي يسمى التعلم الآلي، أن يساعد في توسيع نطاق تصنيع خلايا البيروفسكايت الشمسية. ستكون مواد البيروفسكايت أفضل من السيليكون في الخلايا الكهروضوئية، لكن تصنيع مثل هذه الخلايا على نطاق واسع يمثل عقبة كبيرة. هنا يأتي دور التعلم الآلي حيث يمكن أن يقدم المساعدة.
البيروفسكايت هي مجموعة من المواد التي تعتبر حالياً المنافس الرئيسي لاستبدال الخلايا الكهروضوئية القائمة على السيليكون والتي تستخدم على نطاق واسع اليوم. إنها تحمل وعداً بألواح أخف وزناً وأقل سمكاً ويمكن تصنيعها بكميات كبيرة مع إنتاجية عالية جداً في درجة حرارة الغرفة بدلاً من درجات حرارة مرتفعة جداً كما هو الحال مع تلك المصنوعة من السيليكون، وهي أسهل وأرخص في النقل والتركيب. لكن جلب هذه المواد من التجارب المعملية الصغيرة إلى منتج يمكن تصنيعه بشكل تنافسي كان بمثابة صراع طويل الأمد.
يتطلب إنتاج الخلايا الشمسية القائمة على البيروفسكايت تحسين ما لا يقل عن اثني عشر متغيراً أو نحو ذلك في وقت واحد، وذلك ضمن نهج تصنيع معين من بين العديد من الاحتمالات. ومع ذلك، يمكن لنظام جديد يعتمد على نهج جديد للتعلم الآلي أن يسرع من تطوير أساليب الإنتاج المحسّنة ويساعد في جعل الجيل القادم من الطاقة الشمسية حقيقة واقعة.
النظام الذي طوره باحثون في معهد ماساتشوستس للتكنولوجيا وجامعة ستانفورد على مدى السنوات القليلة الماضية، يجعل من الممكن دمج البيانات من التجارب السابقة مع المعلومات المستندة إلى الملاحظات الشخصية من قبل العمال ذوي الخبرة في عملية التعلم الآلي. وهذا يجعل النتائج أكثر دقة وقد أدى بالفعل إلى تصنيع خلايا البيروفسكايت بكفاءة تحويل للطاقة تبلغ 18.5 بالمائة، وهو مستوى تنافسي بالنسبة إلى أسواق اليوم.
فقد وجد الباحثون أنه يمكن تسريع عمليات الإنتاج الأمثل لخلايا البيروفسكايت الشمسية بفضل نظام التعلم الآلي الجديد.
نُشر البحث مؤخراً في مجلة "جولي" في ورقة كتبها أستاذ الهندسة الميكانيكية في معهد ماساتشوستس للتكنولوجيا: تونيو بوناسيسي، وأستاذ علوم وهندسة المواد في جامعة ستانفورد: رينهولد داوسكاردت، ومساعد أبحاث معهد ماساتشوستس للتكنولوجيا: هي ليو، وخريج الدكتوراه في جامعة ستانفورد: نيكولاس رولستون.
البيروفسكايت عبارة عن مجموعة من المركبات البلورية ذات الطبقات المحددة من خلال تكوين الذرات في شبكتها البلورية. هناك الآلاف من هذه المركبات الممكنة والعديد من الطرق المختلفة لصنعها. في حين أن معظم عمليات تطوير مواد البيروفسكايت على مستوى المعمل تستخدم تقنية الطلاء بالدوران، لكن هذه التقنية ليست عملية عند التصنيع على نطاق واسع، لذلك تبحث الشركات والمختبرات في جميع أنحاء العالم عن طرق لترجمة مواد المختبر هذه إلى منتج عملي وقابل للتصنيع.
يقول رولستون الذي يعمل الآن أستاذاً مساعداً في جامعة ولاية أريزونا: هناك دائماً تحدٍ كبير عندما تحاول إجراء عملية على نطاق معمل ثم تحولها إلى شيء مثل شركة ناشئة أو خط تصنيع. نظر الفريق في العملية التي شعروا أن لها إمكانات أكبر، وهي طريقة تسمى المعالجة بالبلازما بالرش السريع أو RSPP.
يقول رولستون: ستشمل عملية التصنيع سطحاً متحركاً من لفة إلى لفة، أو سلسلة من الألواح، حيث يتم رش المحاليل الأولية لمركب البيروفسكايت أو رشها بالحبر أثناء لف الصفيحة. ستنتقل المادة بعد ذلك إلى مرحلة المعالجة، مما يوفر ناتجاً سريعاً ومستمراً مع إنتاجية أعلى من أي تقنية كهروضوئية أخرى.
ويضيف: الاختراق الحقيقي مع هذه المنصة هو أنها ستسمح لنا بالتوسع بطريقة لا تسمح لنا بها أي مادة أخرى. حتى المواد مثل السيليكون فإنها تتطلب إطاراً زمنياً أطول بسبب المعالجة التي تحتاجها. في حين يمكنك التفكير في (هذا النهج على أنه) أشبه بالطلاء بالرش.
ضمن هذه العملية قد تؤثر عشرات المتغيرات على الأقل على النتيجة، مع كون بعضها أكثر قابلية للتحكم من البعض الآخر. يتضمن ذلك تكوين مواد البداية ودرجة الحرارة والرطوبة وسرعة مسار المعالجة ومسافة الفوهة المستخدمة لرش المادة على الركيزة وطرق معالجة المادة. يمكن أن تتفاعل العديد من هذه العوامل مع بعضها البعض، وإذا كانت العملية في الهواء الطلق، فقد تكون الرطوبة على سبيل المثال خارج السيطرة. من المستحيل تقييم جميع التركيبات الممكنة لهذه المتغيرات من خلال التجربة، لذلك كان التعلم الآلي ضرورياً للمساعدة في توجيه العملية التجريبية.
ولكن بينما تستخدم معظم أنظمة التعلم الآلي البيانات الأولية مثل قياسات الخصائص الكهربائية وغيرها من خصائص عينات الاختبار، فإنها لا تدمج عادةً الخبرة البشرية مثل الملاحظات النوعية التي يقوم بها المجربون للخصائص المرئية وغيرها من خصائص عينات الاختبار، أو معلومات من تجارب أخرى أبلغ عنها باحثون آخرون. لذلك وجد الفريق طريقة لدمج مثل هذه المعلومات الخارجية في أنموذج التعلم الآلي باستخدام عامل احتمالية يعتمد على تقنية رياضية تسمى الاستخلاص المعتمد على نظرية بايز ""Bayesian Optimization.
يقول رولستون: بوجود أنموذج يأتي من البيانات التجريبية، وباستخدام النظام الذي طورناه يمكننا اكتشاف الاتجاهات التي لم نكن قادرين على رؤيتها من قبل. على سبيل المثال، واجه الباحثون في البداية مشكلة في التكيف مع الاختلافات غير المنضبطة في الرطوبة في البيئة المحيطة بهم. لكن الأنموذج أظهر لهم أنه يمكن التغلب على تحديات الرطوبة من خلال تغيير درجة الحرارة مثلاً، وتغيير بعض المتغيرات الأخرى.
يسمح النظام الآن للقائمين بالتجربة بتوجيه عمليتهم بسرعة أكبر من أجل تحسينها لمجموعة معينة من الشروط أو النتائج المطلوبة. ركز الفريق في تجاربهم على تحسين إنتاج الطاقة، ولكن يمكن أيضاً استخدام النظام لدمج معايير أخرى في نفس الوقت، مثل التكلفة والمتانة - وهو أمر يواصل أعضاء الفريق العمل عليه كما يقول بوناسيسي.
شجعت وزارة الطاقة، التي رعت العمل، العلماء على تسويق هذه التكنولوجيا الحديثة، وهم يركزون حالياً على نقل التكنولوجيا إلى الشركات المصنعة للبيروفسكايت الحالية. يقول بوناسيسي: إننا نتواصل مع الشركات الآن، وأصبح الكود الذي طوره فريق العمل متاحاً مجاناً.
على أرض الواقع تستعد العديد من الشركات لإنتاج الألواح الشمسية القائمة على البيروفسكايت، على الرغم من أنها لا تزال تعمل على وضع تفاصيل حول كيفية إنتاجها، كما يقول ليو الذي يعمل حالياً في جامعة نورث وسترن بوليتكنيك في شيان - الصين. يقول إن الشركات هناك لم تقم بعد بالتصنيع على نطاق واسع، ولكن بدلاً من ذلك بدأت بتطبيقات أصغر وعالية القيمة مثل بناء البلاط الشمسي المتكامل حيث يكون المظهر مهماً.
يقول ليو: المشكلة هي أنه ليس لديهم إجماع حول تكنولوجيا التصنيع التي يجب استخدامها. يقول إن طريقة RSPP ، التي تم تطويرها في جامعة ستانفورد "لا تزال لديها فرصة جيدة" لتكون قادرة على المنافسة. وقد يثبت نظام التعلم الآلي الذي طوره الفريق أنه مهم في توجيه تحسين أي عملية يتم استخدامها في نهاية المطاف.
ويضيف: كان الهدف الأساسي هو تسريع العملية، لذلك تطلب الأمر وقتاً أقل وتجارب أقل وساعات بمجهودات بشرية أقل لتطوير شيء يمكن استخدامه على الفور ومجاناً لاستخدامه في الصناعة.
يقول تيد سارجنت الأستاذ الجامعي في جامعة تورنتو الذي لم يكن مرتبطاً بهذا العمل: إن التقنية الجديدة توضح سير عمل يتكيف بسهولة مع تقنيات الترسيب التي تهيمن على صناعة الأغشية الرقيقة. فقط عدد قليل من المجموعات لديها الخبرة المتزامنة في الهندسة والحساب لدفع مثل هذه التطورات. يضيف سارجنت أن هذا النهج "يمكن أن يكون تقدماً مثيراً لتصنيع مجموعة أوسع من المواد" بما في ذلك المصابيح، وتقنيات كهروضوئية أخرى، والغرافين، باختصار، أي صناعة تستخدم شكلاً من أشكال البخار أو الترسيب بالفراغ.
----