Snabbspola

Tonio Buonassisis fotovoltaiklab påskyndar utvecklingen av nya solcellsmaterial med hjälp av maskininlärning, robotar och gammaldags lagarbete.

Förbi

• Cara Giaimo, SM ’15 arkivsida

27 april 2021

Den här robotkemist som professor Tonio Buonassisi arbetar med i Singapore använder maskininlärning för att blanda kemikalier i prover. Zakaria Zainal

Om vi ​​vill minska användningen av fossila bränslen tillräckligt för att hålla världen från att värmas upp katastrofalt, måste vi vrida bort mycket mer kraft från solen. Ett antal expertgrupper, inklusive Intergovernmental Panel on Climate Change, har kommit fram till att vi kommer att behöva få omkring en tredjedel av världens el från solenergi till 2030.

Just nu, med mindre än ett decennium kvar att gå, är vi på ungefär en tiondel av det, säger Tonio Buonassisi , professor i maskinteknik och chef för Institutets Fotovoltaiklab . För att nå målet kommer vi att behöva dramatiskt påskynda utbyggnaden av solkraft .

Pipetteringsenheten med hög genomströmning av Buonassisis robotkemist kombinerar röda, blå och gula matfärger för att skapa specifika färger.

ZAKARIA ZAINAL

Med det i åtanke har PV Lab ständigt omkonfigurerats under de senaste åren eftersom Buonassisi och hans kollegor tar in allt de kan komma på som kan påskynda sökandet efter nya solenergimaterial. De har provat allt från stoppur och personlighetstester till maskininlärningsalgoritmer och pipetteringsrobotar.

Resultatet är en labbtakt som är storleksordningar snabbare. De har förtätat processer som en gång tog sex månader eller ett år till två veckor; analys av röntgendiffraktionsspektra som en gång krävde två till tre timmar kan nu göras på 5,5 minuter. Just nu handlar det om fart, säger Buonassisi.

Bortom kisel

PV Lab började arbeta med maskininlärningsalgoritmer 2012. Vi tänkte inte på dem som detta helt nya sätt att göra vetenskap, säger Buonassisi. Vi tänkte bara på dem som ett produktivitetsverktyg. Men 2017 insåg han att huvudfrågan som labbet cirkulerade runt var för komplex för att besvara på traditionellt sätt. Jag behövde ändra sättet jag gjorde forskning på för att kunna ta itu med det, säger han.

Den frågan var hur man hittar hållbara alternativ till kisel för användning för att fånga upp solenergi. För närvarande är 95% av världens solceller förlita sig på kiselhalvledare . Detta element är rikligt – finns i nästan all smuts och sand – och solceller tillverkade med det är relativt effektiva och tuffa. Din genomsnittliga kiselsolpanel kan omvandla ungefär 20 % av energin från solljuset som träffar den, och den kan fungera dag efter dag i årtionden utan att gå sönder.

När du fastnar i ett läge med låg genomströmning, tenderar du att spela det säkert. Om du vet att du har fler chanser kan du vara mer ambitiös.

Men att förvandla kisel till de tunna, rena wafers som behövs för dessa celler är dyrt och relativt svårt och energikrävande. Det kräver också ofta sällsynta material, som silver. Experter, inklusive Buonassisi, arbetar med att förbättra dessa processer. Men om vi vill göra solenergi till en stor del av nätet, kommer införandet av en del lättare att tillverka material att utöka möjligheterna – och, säger Buonassisi, det kan påskynda konkurrensen, driva upp innovation och priserna ner över hela linjen.

En lovande klass av material är perovskiter, naturliga och labbtillverkade föreningar med en kristallin struktur som gör dem till bra halvledare. Perovskiter är enklare och snabbare att tillverka än kiselwafers. Eftersom de är föreningar snarare än element, kan det finnas ett stort antal av dem som ännu inte har skapats, säger PV Lab-medlemmen Jim Serdy. Olika perovskiter kan också staplas i en enda solcell, för att absorbera olika våglängder av ljus och pressa ut mer energi ur varje solstråle.

Om perovskiter lyckas ta sig in på solenergimarknaden kan det vara den kritiska vägen för att tillfredsställa världens energibehov på ett hållbart sätt, säger Serdy. Men om det är möjligt beror mycket på hur snabbt vi kan upptäcka dessa nya föreningar och deras egenskaper.

Outforskat territorium

Det stora antalet perovskiter är spännande – det kan finnas tusentals där ute som matchar väl med olika applikationer. Men det gör det också till en svår uppgift att leta efter det perfekta materialet – ett som klarar en önskad uppgift med rätt kombination av stabilitet, effektivitet och kostnadseffektivitet, och som också kan tillverkas enkelt och i stor skala.

Tidigare började forskare som försökte upptäcka eller uppfinna ett nytt material med några kvalificerade gissningar. De skapade några material i labbet, testade dem och använde sedan det de lärde sig för att försöka igen. Att hitta bara ett bra alternativ kan ta ett år eller mer. Statistiskt sett är det som aporna vid en skrivmaskin – som slår iväg tills de råkar skriva något användbart, säger Buonassisi.

PV Labs forskare följer fortfarande denna grundläggande procedur. (Den vetenskapliga metoden går inte ur mode, säger han.) De har bara laddat den med turboladda. Algoritmer tränade på teoretisk kunskap och tidigare resultat hjälper dem att göra smartare gissningar. Och experiment med hög genomströmning och automatiserad analys gör att de kan testa dessa gissningar snabbare och köra många tester parallellt. Med alla dessa framsteg kan vi påskynda hela processen, säger forskaren Shijing Sun, teamledare för labbets Accelerated Materials Development Program.

Högeffektiv forskning påskyndar inte bara upptäcktstakten – den gör också människor djärvare, säger Buonassisi. När du har fastnat i ett läge med låg genomströmning tenderar du att spela det säkert, säger han. Men om du vet att du har fler chanser kan du vara mycket mer ambitiös.

Hösten 2018 började Suns team till exempel leta efter mer stabila perovskiter. (Även om vissa perovskitsolceller nu är lika effektiva som kisel, tenderar de att vara mer benägna att degraderas.) De började med att identifiera vad de kallar sitt sökutrymme, i det här fallet en grupp på 5 000 olika möjliga material att utvärdera – alla kombinationer av cesium, metylammonium, formamidinium och blyjodid, blandade i olika proportioner och syntetiserade på olika sätt.

Forskare Shijing Sun och Buonassisi i PV Lab 2019.

JOHN FREIDAH

För sin första omgång av experimentell undersökning bad gruppen en algoritm att välja ut 28 material som gav ett brett urval av möjligheterna, säger Sun. Efter att ha syntetiserat dessa material utsatte teamet dem för högkapacitetsverktyg och tekniker utvecklade av Serdy och en av labbets tekniska medarbetare, Janak Thapa. Dessa verktyg gör det möjligt för dem att snabbt testa materialens stabilitet genom att utsätta dem för höga temperaturer, hög luftfuktighet och belysning – saftiga versioner av de förhållanden de kan uppleva på ett soligt tak.

Vi lägger dem i princip i en bastu, säger Armi Tiihonen, postdoktor i labbet. Vi siktade på extrem acceleration, för att få materialen att brytas ned snabbt, eftersom vi inte ville slösa bort månader av tid.

För att mäta deras stabilitet tränade teamet kameror på materialen, inställda på att ta bilder var femte minut. Perovskiter ändrar färg när de bryts ner, ofta bleknar från nästan svarta till en blekgul. Efter att proverna hade tillbringat cirka fem dagar i bastun, analyserade teamet bilderna för att fastställa varje materials nedbrytningshastighet. (De analyserade också några av proverna djupare med hjälp av röntgendiffraktion, för att bekräfta visuella observationer och se hur materialens struktur förändrades när de försämrades.)

Sedan matade de dessa resultat tillbaka till den första algoritmen och bad den att välja ytterligare 28 material – en del liknande de som hade varit mest framgångsrika i experimentstadiet, och några från delar av rymden som förblev outforskade.

Även de mest erfarna materialforskarna skulle ha problem med att göra den typen av samtal, säger Sun. Jag kan ta ett beslut om vi har 10 material, säger hon. Om vi ​​har 5 000 material kan jag inte riktigt tänka på vad jag ska göra härnäst.

Teamet gick igenom den här cykeln några gånger – valde material via algoritmen, skapade och testade prover i den verkliga världen och gav feedback till algoritmen. I slutet av den fjärde omgången hade de hittat ett kluster av material som var 17 gånger stabilare än den vanligaste perovskiten – samt tre gånger stabilare än labbets tidigare rekordhållare, som de hade hittat på mer traditionella sätt . (Deras resultat och metoder publicerades i februari av tidskriften Matter.)

Andra PV Lab-projekt har haft liknande framgångar. Under 2019 satte Suns team ut för att hitta blyfria perovskiter. De identifierade två material som var helt nya, tillsammans med fyra som aldrig tidigare hade tillverkats i den tunnfilmsform som krävs för användning i solceller. Tidigare hade det nog tagit oss över ett år, säger Buonassisi. Med de nya metoderna var de klara på två månader.

I ett annat experiment visade sig en perovskitsolcell byggd med ett av dessa nya material mer stabil under tuffa miljöförhållanden än den bästa de någonsin gjort med sina tidigare metoder, vilket visar att förbättringarna i dessa individuella material går igenom till solenheterna som görs med dem.

Teamet smälter ihop simuleringen och experimentet för att snabbt identifiera och testa lovande material, säger Buonassisi. Vi kommer närmare och närmare punkten att kunna föreställa oss något och sedan kunna förverkliga det i verkligheten.

Livet i snabbfilen

Forskare i PV Lab tar den ständigt ökande takten i kliv. 2020, efter 10 års studier och arbete inom bänkvetenskap, började Thapa fördjupa sig i maskininlärning; i slutet av året var han medförfattare till sin första artikel i ämnet.

Labbets personlighet är anpassningsförmåga, säger han; medlemmarna lär sig att göra vad gruppen behöver. Det är sant även för labbets studenter. Målet är att varje student som kommer igenom ska lära sig att vara i ett projekt och vara i ett team, och vara en väl avrundad, bidragande medlem av STEM-gemenskapen, säger Sara Bonner, labbets programadministratör.

Dessa mål kan leda till ovanliga metoder. För år sedan, för att ta reda på var de kunde spara tid, lånade labbet ett verktyg från fabriksgolven i början av 1900-talet: Vi hade bokstavligen människor med stoppur som tittade på varje steg i laboratorieprocessen och tajmade den, säger Buonassisi. Utifrån denna analys optimerade de sina metoder och investerade i ny utrustning. De förbättrade sin provberedningseffektivitet med 350 %, från 28 minuter per prov 2015 till cirka åtta 2018.

Nyligen bad han alla i labbet att göra personlighetstest, så att de kunde lära sig att bygga på varandras styrkor och arbeta bättre tillsammans. Han ser dessa övningar som investeringar. Om vi ​​lägger ner tiden på att utveckla den här verktygsuppsättningen som gör att vi kan arbeta mer produktivt, då kan vi lösa 10 gånger så många problem, säger han.

När insatserna är höga kan ett rasande tempo faktiskt vara en lättnad. I början av sin karriär, säger Tiihonen, var arbetet så långsamt att hennes mål alltid verkade utom räckhåll. Men nu kan hon och hennes kollegor faktiskt uppnå det vi vill.

Sun gillar hur de nya teknikerna tillåter henne att utöka sitt expertområde – där teamet tidigare kanske hade fokuserat på en parameter, eller en klass av perovskiter, har de nu möjligheten att kunna kliva in i fler projekt, och verkligen komma närmare det där drömsolcellsmaterialet, säger hon.

Teamet fortsätter att leta efter flaskhalsar i processen och vidgar dem hur de kan. Under de senaste åren har Buonassisi tillbringat mycket tid i Singapore som en del av Singapore-MIT Alliance for Research and Technology. Där och på MIT börjar han införliva robotar som kan utföra några av stegen i labbets forskningspipeline. I Singapore, till exempel, blandar en formuleringsrobot olika kemikalier i de kompositioner som krävs för att ta prover snabbare och mer exakt än vad en forskare noggrant kunde pipettera dem. Den kan göra de tråkiga fysiska stegen ungefär fyra till tio gånger så snabbt som en person kan, och dess precision hjälper till att förbättra reproducerbarheten. Dessutom kan den här roboten fjärrstyras, så att labbmedlemmar eller medarbetare var som helst kan köa jobb och köra dem, säger Buonassisi. Samtidigt arbetar han och några samarbetspartners också på ett verktyg med superhög genomströmning som kommer att hjälpa forskare i hans MIT-labb att söka igenom ännu fler möjligheter på en gång.

Även om maskiner kan vara snabbare, är människor i allmänhet mer anpassningsbara. Genom att använda robotar och liknande verktyg när de är till hjälp, snarare än att automatisera allt, kan labbet snabba upp samtidigt som den mänskligt producerade flexibiliteten som Buonassisi säger är särskilt viktig för forskning och utveckling i ett tidigt skede.

Men den ultimata hastigheten, säger han, kommer när andra använder dessa metoder och förbättrar dem. PV Lab använder öppen källkod för allt det gör – från de stabilitetssökande algoritmerna till ritningarna för maskinerna – för att driva ut dessa teknologier och få fler människor att bli entusiastiska över dem och arbeta med dem, säger han. Vi har inte all tid i världen att vänta.

---

Att hitta det perfekta receptet

Ett AI-drivet forskningsverktyg
ser till det förflutna för att hitta bättre sätt
att tillverka material.

För att ta oss framåt måste vi ofta titta bakom oss. Elsa Olivetti, Esther och Harold E. Edgertons karriärutvecklingsprofessor vid MIT:s institution för materialvetenskap och teknik, och hennes labb har arbetat med en uppsättning algoritmer — eller som hon vill kalla det, en datavetenskapspipeline — som låter forskare söka i den vetenskapliga litteraturen från det senaste förflutna för att hitta ledtrådar om hur man bygger de saker vi behöver för framtiden.

Elsa Olivetti

MED HENSYN FOTO

Olivettis grupp — som fokuserar på att hitta hållbara och prisvärda sätt att designa och utveckla material — är alltid på jakt efter nya verktyg, säger hon. För några år sedan pratade hon med Gerbrand Ceder, då en MIT-fakultetsmedlem och skapare av Materials Project — en databas med information om kända och förutspådda material, som forskare kan använda för att hitta föreningar som har exakta egenskaper de letar efter, även om de aldrig har gjorts tidigare.

Olivetti såg en möjlighet att gå längre. Att veta vad man ska göra är ett viktigt första steg, men hur man gör materialet är vad man behöver veta när det gäller miljömässig och ekonomisk påverkan, säger hon. I många fall, tyckte hon, har folk redan gjort arbetet med att göra materialet, och har minutiöst antecknat och publicerat vilka steg som gällde och hur det gick. Varför inte utnyttja denna resurs?

Säg att du har fått i uppdrag att göra en chokladkaka som bakas snabbt och använder prisvärda ingredienser. Du kan börja från början: blanda komponenter, finjustera förhållandena och baka kaka efter kaka tills du hittar något som fungerar. Du kan också leta igenom gamla kokböcker, titta på onlinetutorials och prata med betrodda vänner. Men tänk om du hade en maskin som kunde titta igenom miljontals kokböcker, videor och kommentarsavsnitt på baksidor och sammanställa informationen den hittade till ett nytt recept som passar dina syften?

Detta är i huvudsak vad Olivettis verktyg gör. Dess användare kanske vill göra en solid-state elektrolyt för ett litiumjonbatteri, eller en lågkolhaltig-
emissionscementersättning. Istället för att försöka läsa och syntetisera tidigare arbeten i området på egen hand eller med några kollegor, kan de be verktyget att titta igenom så mycket av litteraturen som det har tillgång till — för närvarande miljontals papper och patent.

Olivettis verktyg kombinerar naturliga språkbehandlingsalgoritmer — som skannar igenom papper för att ta fram relevant information — med neurala nätverk, som rekommenderar nya recept utifrån vad som har fungerat tidigare. Den söker information om materialet i fråga, men också om olika material som kan ha besläktade egenskaper.

Det har varit utmanande att skapa en uppsättning algoritmer som kan destillera så många papper, var och en med sina domänspecifika ordförråd och stilistiska egenheter, till användbara recept, säger Olivetti. Men ansträngningen ger redan oväntade insikter.

Under 2019 arbetade hon och några kollegor med zeoliter, porösa material som är avgörande för tillämpningar från industriell katalys till luftrening. Storleken och arrangemanget av deras porer påverkar vad zeoliter kan användas till, men exakt hur man kontrollerar detta attribut under syntesen var inte känt. Genom att använda sin algoritm för att krossa litteraturen kunde Olivetti och hennes kollegor härleda de avgörande stegen för att göra zeoliter mer eller mindre porösa — använda de kombinerade resultaten av tidigare forskare för att rädda framtida från ändlösa omgångar av försök och misstag.

Förutom att servera befintliga recept på material kan en sådan här algoritm hjälpa till att skapa nya, säger Olivetti. Hon kan tänka sig att införliva ett text-mining-steg i ett arbetsflöde som Buonassisis, för att få en historisk dimension i AI-drivna försök till materialsyntes.

Det kan också vara möjligt, säger Olivetti, att använda liknande teknik för att dra breda teman från fältet, eller förstå nya trender — coola, breda möjligheter som vi precis har börjat skrapa på ytan.

Dölj