Fotovoltaico e solare

Descrizione
Screening dei materiali perovskite, tandem e passivazione mediante previsione. MatterSeek prevede le proprietà dei materiali fotovoltaici dalla composizione.

Fotovoltaico e solare —Sistema materiale/Prestazioni prevedibili/Percorso di convalida
Intelligenza artificiale per materiali fotovoltaici: ingegnerizzazione di assorbitori di perovskite e strati di passivazione mediante previsione
Prevede le proprietà degli assorbitori, degli strati di passivazione, degli strati di trasporto e dei materiali di incapsulamento dalla composizione chimica, in modo che le sostanze chimiche candidate possano essere classificate prima che venga programmato un ciclo di rivestimento o ricottura.
La struttura della fascia assorbente deve essere ottimizzata preservando la stabilità termica e dell'umidità; la chimica della passivazione deve sopprimere la ricombinazione dell'interfaccia senza introdurre assorbimento parassitario; Gli stack tandem aggiungono un vincolo di compatibilità su entrambi. Ciascuno di questi obiettivi viene normalmente testato attraverso campagne di fabbricazione e misurazione separate e le combinazioni si moltiplicano rapidamente.
Descrivi l'intervallo di composizione target e la finestra delle proprietà di cui hai bisogno e MatterSeek restituirà i candidati classificati con valori di proprietà previsti e incertezza. La piattaforma gestisce da uno a quattro elementi di base con una precisione del livello di drogaggio pari a 0,02: la granularità richiesta effettivamente dagli studi sulle leghe e sulla sostituzione dei siti A o B. La previsione viene completata in circa un minuto per due elementi base, fino a sette minuti per quattro. I risultati vengono presentati come grafici radar per il confronto di più proprietà, mappe termiche 2D e 3D che visualizzano paesaggi immobiliari nello spazio di composizione e tabelle di dati esportabili per la revisione della progettazione a valle.
Il motore abbraccia famiglie di proprietà ottiche, elettroniche, termiche, termodinamiche e strutturali, compresi il punto di fusione e le proprietà relative alla struttura elettronica, le quantità che governano la stabilità di fase durante la ricottura e il comportamento elettronico di uno strato assorbente o di trasporto.
I candidati selezionati si trasferiscono nel laboratorio autonomo di 1.200 m² di MatterSeek. I suoi sei cluster di processo coprono i percorsi che contano per il fotovoltaico: deposizione pulita di film sottile e post-trattamento con pulizia del substrato a più bagni, sputtering di magnetron ed evaporazione con fascio di elettroni, oltre a sol-gel ed essiccazione supercritica per strati porosi e di ossido. La caratterizzazione automatizzata comprende XRD per l'identificazione di fase, Raman, XRF e analisi termica simultanea, con un obiettivo dichiarato da 300 a 500 campioni al giorno a seconda del percorso. L'accuratezza della previsione è del 95,7% rispetto alla misurazione fisica.
strati tandem e di trasporto, sostanze chimiche di passivazione dei difetti, ossidi conduttivi trasparenti e materiali di incapsulamento dei moduli.
Domande frequenti
D: MatterSeek può prevedere le proprietà delle composizioni di perovskite?
R: Sì. Tu definisci l'intervallo di composizione e la finestra delle proprietà e la piattaforma restituisce i candidati classificati con valori previsti e incertezza prima che qualsiasi film venga depositato.
D: Quali percorsi di fabbricazione sono disponibili per la convalida?
R: Deposizione di film sottile con sputtering di magnetron ed evaporazione con fascio di elettroni, percorsi sol-gel ed essiccazione supercritica: il tutto automatizzato all'interno del laboratorio autonomo.
D: Quanto sono accurate le previsioni?
R: Precisione del 95,7% rispetto alla misurazione fisica, con incertezza riportata per previsione.
Yuyao (Beijing) Technology Co., Ltd. è un'azienda professionale specializzata nell'intersezione di intelligenza artificiale e materiali avanzati di fotovoltaico e solare. L’azienda ha sviluppato in modo indipendente MatterSeek, un modello fondamentale di grandi dimensioni su misura per il settore dei materiali, e ha aperto la strada all’algoritmo HNN (Hierarchical Neural Network), costruendo al contempo un database proprietario e controllabile per gli esperimenti sui materiali.

