太阳不断地向地球传输数万亿瓦的能量。它将在数十亿年后继续这样做。然而，我们才刚刚开始以负担得起的成本开发这种丰富的可再生能源。
太阳能吸收器是一种用于将这种能量转化为热能或电能的材料。美国能源部阿贡国家实验室的科学家Maria Chan开发了一种机器学习方法，用于筛选数千种化合物作为太阳能吸收剂。她在这个项目上的合作者是阿伦·曼诺迪·卡纳基索迪（Arun Mannodi Kanakkithodi），他曾是阿贡博士后，现在是普渡大学的助理教授。
Chan说：“根据能源部最近的一项研究，到2035年，太阳能可以提供全国40%的电力。”。“它可以帮助电网脱碳，并提供许多新的就业机会。”
Chan和Mannodi Kanakkithodi打赌机器学习将在实现这一崇高目标方面发挥重要作用。作为人工智能（AI）的一种形式，机器学习使用大型数据集和算法的组合来模仿人类的学习方式。它从样本数据和过去经验的训练中学习，以做出更好的预测。
在托马斯·爱迪生（Thomas Edison）的时代，科学家们通过对许多不同的候选材料进行艰苦的反复试验，直到其中一种成功，才发现了新材料。在过去的几十年里，他们还依赖于劳动密集型计算，需要长达1000小时来预测材料的性能。现在，他们可以通过调用机器学习来缩短这两个发现过程。
目前，太阳能电池的主要吸收体是硅或碲化镉。这种细胞现在很常见。但它们的制造仍然相当昂贵和能源密集。
该团队使用机器学习方法评估了一种称为卤化物钙钛矿的材料的太阳能特性。在过去的十年中，许多研究人员一直在研究钙钛矿，因为它们在将太阳光转化为电能方面具有显著的效率。它们还为材料制备和细胞构建提供了低得多的成本和能量投入的前景。
Chan说：“与硅或碲化镉不同，与钙钛矿结合的卤化物的可能变化基本上是无限的。”。“因此，迫切需要开发一种方法，将有希望的候选人缩小到可管理的数量。为此，机器学习是一种完美的工具。”
该团队用几百种卤化物钙钛矿成分的数据训练了他们的方法，然后将其应用于18000多种成分作为测试案例。该方法评估了这些组合物的关键性能，如稳定性、吸收阳光的能力、不易因缺陷而断裂的结构等。计算结果与科学文献中的相关数据一致。此外，研究结果将值得进一步研究的成分数量减少到约400种。
Chan说：“我们的候选名单中有已经研究过的化合物，没有人研究过的，甚至还有不在最初18000种化合物中的化合物。”。“因此，我们对此感到非常兴奋。”
下一步将使用实验测试预测。理想的情况是使用自主发现实验室，例如阿贡纳米材料中心（CNM）的Polybot，这是能源部科学办公室用户设施。Polybot将机器人和人工智能的力量结合在一起，推动科学发现，几乎不需要人工干预。
通过使用自主实验来合成、表征和测试几百个主要候选对象中最好的一个，Chan和她的团队预计他们还可以改进当前的机器学习方法。
“我们真正进入了一个将人工智能和高性能计算应用于材料发现的新时代，”陈说。“除了太阳能电池，我们的设计方法还可以应用于LED和红外传感器。”
这项研究发表在《能源与环境科学》的一篇文章中。
