Photovoltaïque et Solaire

Description
Criblez les matériaux pérovskites, tandem et passivation par prédiction. MatterSeek prédit les propriétés des matériaux photovoltaïques à partir de leur composition.

Photovoltaïque et Solaire —Système matériel / Performance prévisible / Parcours de validation
IA pour les matériaux photovoltaïques — Ingénier des absorbeurs de pérovskite et des couches de passivation par prédiction
Il prédit les propriétés des absorbeurs, des couches de passivation, des couches de transport et des matériaux d'encapsulation à partir de la composition chimique, de sorte que les produits chimiques candidats puissent être classés avant qu'une opération de revêtement ou de recuit ne soit programmée.
La structure de la bande absorbante doit être ajustée tout en préservant la stabilité thermique et hydrique ; la chimie de passivation doit supprimer la recombinaison d’interface sans introduire d’absorption parasite ; les piles tandem ajoutent une contrainte de compatibilité aux deux. Chacun de ces objectifs est normalement testé au travers de campagnes de fabrication et de mesure distinctes, et les combinaisons se multiplient rapidement.
Décrivez la plage de composition cible et la fenêtre de propriétés dont vous avez besoin, et MatterSeek renvoie les candidats classés avec les valeurs de propriété prévues et l'incertitude. La plate-forme gère un à quatre éléments de base avec une précision de niveau de dopage de 0,02 – la granularité qu’exigent réellement les études d’alliage et de substitution du site A ou du site B. La prédiction se termine en une minute environ pour deux éléments de base, jusqu'à sept minutes pour quatre. Les résultats sont présentés sous forme de graphiques radar pour la comparaison de plusieurs propriétés, de cartes thermiques 2D et 3D qui visualisent les paysages de propriétés dans l'espace de composition et de tableaux de données exportables pour l'examen de la conception en aval.
Le moteur couvre des familles de propriétés optiques, électroniques, thermiques, thermodynamiques et structurelles, y compris les propriétés liées au point de fusion et à la structure électronique – les quantités qui régissent la stabilité de phase pendant le recuit et le comportement électronique d'un absorbeur ou d'une couche de transport.
Les candidats présélectionnés emménagent dans le laboratoire autonome de MatterSeek de 1 200 m². Ses six groupes de processus couvrent les voies importantes pour le photovoltaïque : dépôt propre de couches minces et post-traitement avec nettoyage du substrat en plusieurs bains, pulvérisation magnétron et évaporation par faisceau d'électrons, ainsi que séchage sol-gel et supercritique pour les couches poreuses et d'oxyde. La caractérisation automatisée comprend la XRD pour l'identification de phase, Raman, XRF et l'analyse thermique simultanée, avec un objectif déclaré de 300 à 500 échantillons par jour selon l'itinéraire. La précision de la prédiction est de 95,7 % par rapport aux mesures physiques.
couches tandem et de transport, produits chimiques de passivation des défauts, oxydes conducteurs transparents et matériaux d'encapsulation de modules.
FAQ
Q : MatterSeek peut-il prédire les propriétés des compositions de pérovskite ?
R : Oui. Vous définissez la plage de composition et la fenêtre de propriétés, et la plateforme renvoie les candidats classés avec les valeurs prédites et l'incertitude avant le dépôt d'un film.
Q : Quelles voies de fabrication sont disponibles pour la validation ?
R : Dépôt de couches minces avec pulvérisation magnétron et évaporation par faisceau d'électrons, voies sol-gel et séchage supercritique, le tout automatisé au sein du laboratoire autonome.
Q : Quelle est la précision des prédictions ?
R : Précision de 95,7 % par rapport aux mesures physiques, avec incertitude signalée par prédiction.
Yuyao (Beijing) Technology Co., Ltd. est une entreprise professionnelle spécialisée dans l'intersection de l'IA et des matériaux avancés photovoltaïques et solaires. La société a développé indépendamment MatterSeek, un grand modèle fondamental adapté au secteur des matériaux, et a été pionnière de l'algorithme HNN (Hierarchical Neural Network), tout en créant une base de données exclusive et contrôlable d'expériences sur les matériaux.

