پروسکایت‌ها خانواده‌ای از مواد هستند که به عنوان جایگزین اصلی برای سلول‌های فتوولتائیک مبتنی بر سیلیکون شناخته می‌شوند. آن‌ها نوید پنل‌های خورشیدی بسیار نازک‌تر، سبک‌تر و با توان بالاتر را داده که در دمای اتاق تولید شده و حمل‌و‌نقل و نصبی ارزان‌تر و آسان‌تر را امکان‌پذیر می‌سازند. با تمام این ویژگی‌ها و علیرغم تلاش‌های بسیار صورت گرفته، تا پیش از این برای کار کردن با این مواد در خارج از شرایط آزمایشگاهی کنترل‌شده و تبدیل آن به محصولی که به صورت رقابتی قابلیت تولید داشته باشد، چالش‌های بسیاری وجود داشته است.

مسئله از آنجا پدید می‌آید که ساخت سلول‌های خورشیدی مبتنی بر پروسکایت، شامل بهینه‌سازی حداقل ده‌ها متغیر به طور همزمان می‌باشد و در نتیجه در محیط خارج از آزمایشگاه، احتمالات زیادی می‌تواند برای محصول رخ دهد. در همین راستا، محققین اقدام به توسعه یک سیستم جدید مبتنی بر یادگیری ماشینی نموده‌اند که می‌تواند توسعه روش‌های تولید بهینه را سرعت بخشیده و به تحقق نسل بعدی سلول‌های خورشیدی کمک نماید.

گفتنی است که پروسکایت‌ها گروهی از ترکیبات کریستالی لایه‌ای هستند که با پیکربندی اتم‌ها در شبکه کریستالی آن‌ها تعریف می‌شوند. هزاران ترکیب احتمالی از این دست و روش‌های مختلفی برای ساختن آ‌ن‌ها وجود دارد. اگرچه برای توسعه مواد پروسکایت در مقیاس آزمایشگاهی بیشتر از تکنیک پوشش اسپین استفاده می‌شود، اما این روش برای تولید در مقیاس بزرگ‌تر عملی نبوده و به همین دلیل، شرکت‌ها و آزمایشگاه‌ها در سراسر جهان، به دنبال راه‌هایی برای تبدیل این مواد آزمایشگاهی به یک محصول عملی و قابل ساخت می‌باشند.

این سیستم که توسط محققان «MIT» و دانشگاه استنفورد توسعه یافته، امکان ادغام داده‌های آزمایش‌های قبلی و اطلاعات مبتنی بر مشاهدات شخصی کارگران باتجربه را در فرآیند یادگیری ماشین فراهم می‌نماید. نتایج حاصل از بکارگیری این سیستم هوش مصنوعی، بیانگر دقت بسیار بالاتر در سلول‌های پروسکایت و راندمان تبدیل انرژی 18.5 درصدی دارا بوده که سطحی رقابتی برای بازار امروز می‌باشد.

در حالی که بیشتر سیستم‌های یادگیری ماشینی از داده‌های خامی مانند اندازه‌گیری خواص الکتریکی و سایر ویژگی‌های نمونه‌های آزمایشی استفاده نموده و تجربیات انسانی مانند مشاهدات کیفی انجام‌شده توسط کاربران و ویژگی‌های بصری را در بر نمی‌گیرند، در رویکرد جدید برای افزایش کیفیت و دقت محصول نهایی، این قابلیت‌ها نیز در نظر گرفته شده و تیم راهی برای ترکیب چنین اطلاعات خارجی در مدل یادگیری ماشین بهینه‌سازی نموده‌اند. این سیستم به آزمایش‌کنندگان اجازه می‌دهد تا با سرعت بسیار بیشتری فرآیند خود را برای بهینه‌سازی مجموعه‌ای از شرایط یا نتایج مورد نیاز هدایت کنند.

بر اساس ادعای تونیو بووناسیسی (Tonio Buonassisi)، استاد دانشکده مکانیک دانشگاه «MIT» و از رهبران پروژه حاضر، با استفاده از این سیستم می‌توان بر روی قابلیت‌های دیگر محصول نیز تمرکز نموده و آن‌ها را نیز به شکل مطلوبی بهبود داد. وی در این خصوص می‌گوید: «به کمک این سیستم، ما می‌توانیم روندهایی را که قبلاً قادر به دیدن آن‌ها نبودیم، مشاهده کنیم. ما در آزمایش‌های خود بیشتر بر بهینه‌سازی توان خروجی تمرکز داشتیم. با این وجود، این سیستم می‌تواند به طور همزمان برای ترکیب معیارهای دیگری مانند هزینه و دوام نیز مورد استفاده قرار گیرد و این چیزی است که اعضای تیم به کار روی آن ادامه می‌دهند». با توجه به پتانسیل‌های بالای این فناوری، وزارت انرژی آمریکا که حامی این کار نیز بوده است، تیم تحقیق را به تجاری‌سازی فناوری تشویق نموده‌اند. در همین راستا، در حال حاضر آن‌ها بر روی انتقال فناوری به تولیدکنندگان پروسکایت فعلی متمرکز شده‌اند.

مرجع: «Nanowerk»