ΓΔ: 897,01 -13,20 (-1,45 %)

Τζίρος: 251,67 εκατ. €   RT

7ος χρόνος, ημέρα 2016η
Κυριακή, 9 Μαΐου 2021

ΓΔ: 897,01 -13,20 (-1,45 %)

Τζίρος: 251,67 εκατ. €   RT

Ένας αλγόριθμος ανακαλύπτει τα φωτοβολταϊκά του μέλλοντός μας

Ένας αλγόριθμος ανακαλύπτει τα φωτοβολταϊκά του μέλλοντός μας
Shutterstock

Το όνομα Σέργουντ Ρόουλαντ δεν είναι γνώριμο στους περισσότερους από εμάς. Ωστόσο πρέπει να χρωστάμε ευγνωμοσύνη στον Αμερικανό χημικό της ατμόσφαιρας, αφού πρώτος αυτός στις αρχές της δεκαετίας του 1970 κατάλαβε ότι ένα και μόνο άτομο που απελευθερώνεται στον αέρα μπορεί να καταστρέψει έως και 100.000 άτομα όζοντος.

Πενήντα χρόνια αργότερα, οι συνάδελφοι του Ρόουλαντ βρίσκονται αντιμέτωποι με αντίστοιχες προκλήσεις. Η ανάγκη για τη μετάβαση σε ένα νέο ενεργειακό μοντέλο και η απαλλαγή από τα δεσμά των ορυκτών καυσίμων δεν χωρά καθυστερήσεις. Για να γίνει, όμως, πραγματικότητα απαιτούνται επιστημονικά άλματα. Νέα υλικά, νέα μόρια, νέες μηχανικές διατάξεις πρέπει να δημιουργηθούν προκειμένου να γυρίσουμε ενεργειακή σελίδα.

Σε αυτή την κούρσα οι οργανικοί ημιαγωγοί θεωρούνται ως μία από τις πλέον υποσχόμενες τεχνολογίες που θα επιτρέψουν την κατασκευή ηλιακών κυψελών ασύγκριτης αποδοτικότητας. Κάπου εδώ, όμως, αρχίζουν τα δύσκολα. Για τέτοιες εφαρμογές, πρέπει να ανακαλυφθούν βελτιωμένα οργανικά μόρια. Ωστόσο ο αριθμός των δυνητικά πιθανών μικρών οργανικών μορίων εκτιμάται ότι είναι της τάξης του 1033. O αριθμός είναι τρομακτικός, γι’ αυτό οι ερευνητές στρέφονται όλο και περισσότερο στη μηχανική μάθηση, προκειμένου να εντοπίσουν μέσα σε αυτό το σύμπαν δεδομένων, ποια μόρια είναι πραγματικά χρήσιμα. Ακόμα κι έτσι, όμως, ουσιαστικά ψάχνουν βελόνα στ’ άχυρα.

Πηγή: Kunkel/FHI

Επιστήμονες από το Fritz Haber Institute στο Βερολίνο και από το Πολυτεχνείο του Μονάχου ακολούθησαν μια διαφορετική οδό. Σε εργασία τους που δημοσιεύτηκε πρόσφατα στο Nature Communications, περιγράφουν μια λύση αυτού του προβλήματος μέσω της λεγόμενης «ενεργής μάθησης».

Αντί να μαθαίνει από υφιστάμενα δεδομένα, ο αλγόριθμος μηχανικής εκμάθησης αποφασίζει για ποια δεδομένα χρειάζεται πραγματικά να μάθει και «ξεσκαρτάρει» τα υπόλοιπα. Πρόκειται για κρίσιμη παράμετρο, αφού με τον τρόπο αυτό μειώνει δραματικά το μέγεθος των δεδομένων που πρέπει να ελέγξει.

Οι επιστήμονες πραγματοποίησαν αρχικά προσομοιώσεις σε μερικά μικρότερα μόρια, αντλώντας δεδομένα για την ηλεκτρική αγωγιμότητά τους – στοιχείο απαραίτητο για την εξέταση πιθανών υλικών ηλιακών κυττάρων. Με βάση αυτά τα δεδομένα, ο αλγόριθμος αποφασίζει εάν μικρές τροποποιήσεις στα συγκεκριμένα μόρια θα μπορούσαν να προσφέρουν χρήσιμες ιδιότητες ή όχι. Και στις δύο περιπτώσεις ζητά αυτόματα νέες προσομοιώσεις, βελτιώνεται μέσω των νέων δεδομένων, εξετάζει νέα μόρια και επαναλαμβάνει τη διαδικασία.

Στην εργασία τους, οι επιστήμονες υποστηρίζουν ότι νέα και πολλά υποσχόμενα μόρια μπορούν να ταυτοποιηθούν αποτελεσματικά με αυτόν τον τρόπο, ενώ ο αλγόριθμος συνεχίζει την εξερεύνησή του στον τεράστιο μοριακό χώρο, ακόμη και τώρα, τη στιγμή που διαβάζονται αυτές οι γραμμές. Κάθε εβδομάδα προτείνει νέα μόρια που θα μπορούσαν να οδηγήσουν στην επόμενη γενιά ηλιακών κυττάρων, ενώ συνεχίζει να γίνεται όλο και πιο αποτελεσματικός.