Neues Robotiklabor erreicht 27% Wirkungsgrad bei Perowskit-Solarzellen

„Mit diesem System führte das Team 50.764 Experimente mit Perowskit-Solarzellen durch, erreichte einen Spitzenwirkungsgrad von 27,0 % bei einem zertifizierten Wert von 26,5 %“, so die Aussage des Teams. Konzeptschema der Materialintelligenz.

Credit: Zijian Chen, Wenjin Yu, Chuang Wu et al. Eine Fabrik in einer Box Trotz ihres immensen Potenzials werden Perowskit-Solarzellen durch einen „Versuch-und-Irrtum“-Entwicklungsprozess behindert, der sowohl arbeitsintensiv als auch schwer zu replizieren ist.

Mit über 100.000 getesteten experimentellen Rezepturen kämpfen Ingenieure immer noch damit, komplexe Formeln und volatile Kristallisationszyklen zu meistern, die hyperempfindlich auf Umweltveränderungen reagieren.

Technik und Auswirkungen

Aktuelle Roboter können Daten schnell sammeln, sind aber nicht intelligent genug, um die Wissenschaft hinter den Ergebnissen zu verstehen oder sofort Anpassungen vorzunehmen, um den Prozess zu verbessern.

Das neue System integriert eine KI-Architektur mit physischer Robotik, einschließlich Lernen, Generierung, RecipeQA, Feinabstimmung, Schlussfolgerung, Bewertung und Optimierung.

Darüber hinaus verarbeitet ein domänenspezifisches Recipe Language Model (RLM) Literatur und experimentelle Daten, um chemische Formeln zu empfehlen, zu durchdenken und zu verfeinern. Das System verfügt über ein Netzwerk von 11 miteinander verbundenen Roboterboxen, die in einem einzigen, zusammenhängenden Rahmen integriert sind.

Technik, Energie und Einsatz

Berichten zufolge ist seine Hardware strategisch aufgeteilt: Die ersten drei Roboterboxen verwalten die chemische Lagerung und die präzise Materialabgabe, während die restlichen acht die Kernfertigungsaufgaben übernehmen, einschließlich Spin-Coating, Laserbearbeitung und Abscheidung.

Ausgestattet mit einem Array öglichen diese Einheiten die In-situ-Charakterisierung und erfassen Echtzeitdaten, die direkt in die KI-Schleife zurückgespeist werden, um die kontinuierliche Weiterentwicklung des Modells anzutreiben. Die 11 miteinander verbundenen Roboterboxen wurden entwickelt, um über 4.300 Parameter zu steuern.

Es nutzt auch eine siebenstufige KI-Architektur, um kontinuierlich aus der wissenschaftlichen Literatur und seinen eigenen experimentellen Daten zu lernen und so einen geschlossenen Arbeitsablauf für Synthese, Charakterisierung und Optimierung zu etablieren.

Was die Studie zeigt

Gemäß der Studie wurde die Leistungsfähigkeit dieses Ansatzes durch über 50.000 Experimente und die Generierung von 578 Millionen Datentokens demonstriert. Letztendlich wurde ein Wirkungsgrad der Leistungsumwandlung von 27,0 Prozent erreicht.

101 funktionale Module Eine Echtzeit-Software-Hardware-Brücke übersetzt KI-generierte Rezepturen in Maschinencode und überwacht dabei den Zustand der 101 funktionalen Module.

Durch die Umwandlung komplexer Formeln in maschinenlesbare Befehle und die Verarbeitung experimenteller Ergebnisse in strukturiertes Feedback erhält sie einen Zyklus aus Empfehlung, robotergesteifter Ausführung und Validierung.

Einordnung fuer Autofahrer

Darüber hinaus wandelt diese Hardware-Entwicklung bestehende, fragmentierte Arbeit in Handschuhboxen in ein einheitliches, vollautomatisches Fertigungssystem um, das über eine digitale Zwillingsoberfläche gesteuert wird.

Diese Forschung bietet eine skalierbare Grundlage für Materialintelligenz, indem sie, manuellen Handschuhboxen-Operationen abrückt. Letztendlich könnte sie den Weg für autonome, intelligente Fertigung in extremen oder abgelegenen Umgebungen ebnen, in denen eine menschliche Anwesenheit unpraktisch ist.

Die Ergebnisse wurden im Journal Engineering berichtet.