太陽電池発見装置

ペロブスカイトとして知られる結晶の助けを借りて、太陽電池は太陽光を電気に変換する能力においてますます記録を破っています。 現在、新しい自動システムにより、これらの記録はさらに早く低下する可能性があります。 ノースカロライナ州立大学のRoboMapperは、手作業や従来のロボットプラットフォームに比べて時間、コスト、エネルギーのおよそ10分の1から50分の1を使用して、太陽電池内でペロブスカイトがどの程度うまく機能するかを分析できると発明者らは述べている。

最も一般的な太陽電池はシリコンを使用して光を電気に変換します。 これらのデバイスは、理論上の変換効率限界である 29.4 パーセントに急速に近づいています。 現在の商業用シリコン太陽電池は 24% 以上の効率に達しており、最良の実験室用セルの効率は 26.8% です。

太陽電池の効率を高める 1 つの戦略は、2 つの異なる光吸収材料を 1 つのデバイスに積層することです。 このタンデム方式により、太陽電池が収集できる太陽光のスペクトルが増加します。 タンデムセルの一般的なアプローチは、高エネルギーの可視光を吸収するためにペロブスカイトで作られたトップセルを使用し、低エネルギーの赤外線のためにシリコンで作られたボトムセルを使用することです。 昨年、科学者らは効率30パーセントの閾値を突破した初のペロブスカイト・シリコンタンデム型太陽電池を発表し、先月には別のグループが同じマイルストーンを報告した。

従来の材料研究では、科学者がチップ上にサンプルを準備し、さまざまな機器を使用して複数のステップを経てそれを検査する必要がありました。 既存の自動化の取り組みは「人間のワークフローをエミュレートする傾向があり、材料を一度に 1 つのパラメータずつ処理する傾向があります」と、ローリーにあるノースカロライナ州立大学の材料科学者アラム・アマシアン氏は言います。

RoboMapper による環境への影響の最大の削減は、テスト中のエネルギー効率の向上によるものでした。

しかし、現代の遺伝学および製薬分析では、多くの場合、各プレートに数十のサンプルを配置し、それらをすべて一度に検査することで高いスループットが実現されます。 RoboMapper もこの戦略に従い、印刷技術を使用して材料サンプルを小型化します。

「私たちは、液体の取り扱いなど、生物学や化学とのハードウェアの相互運用性から多くの恩恵を受けてきました」とアマシアン氏は言います。 しかし、RoboMapper の場合、アマシアンと彼のチームは、ペロブスカイト材料を処理するための新しいプロトコルと、化学自動化で見られるものとは異なる特性評価実験を開発する必要がありました。 「私たちがしなければならなかった特別な開発の 1 つは、特性評価機器が自動化されたチップ上の高密度の材料を確実に処理できるようにすることです。 これには、ハードウェア側とソフトウェア側の両方で少しのエンジニアリングが必要でした。」

時間、エネルギー、材料、資金を節約するための 1 つの鍵は、サンプル サイズを 1,000 分の 1 に縮小することでした。 「他のほとんどのツールではサンプルがセンチメートル程度で作成されるのに対し、印刷サイズは 50 ～ 150 [マイクロメートル] 程度です」とアマシアン氏は言います。 「通常、当社はピコリットルからナノリットルの量を印刷しますが、他のプラットフォームはマイクロリットルを印刷またはコーティングします。」

RoboMapper の最初のテストで、科学者は 150 の異なるペロブスカイト組成を分析しました。 全体として、RoboMapper は他のロボット プラットフォームに比べてコストが 12 パーセント、速度が 9 倍、エネルギー効率が 18 倍でした。 また、手作業に比べてコストは 2%、速度は 14 倍、エネルギー効率は 26 倍でした。

「私たちは、将来 AI モデルをトレーニングするためのデータセットを構築できるように、大規模なマテリアル ライブラリを生成できるロボットの構築に着手しました」とアマシアン氏は言います。 このような AI は、どのペロブスカイト構造が最も優れたパフォーマンスを発揮するかを予測できるようになります。

ノースカロライナ州立大学

研究者らは、タンデムセルに関しては大きな課題であるペロブスカイトの安定性に焦点を当てた。 ペロブスカイトは光にさらされると劣化する傾向があり、そもそもペロブスカイトを望ましいものとした特性を失うとアマシアン氏は説明する。

研究者らは、光学顕微鏡、マイクロフォトルミネッセンス分光マッピング、およびシンクロトロンベースの広角X線散乱マッピングを使用して、ペロブスカイトの構造、電子特性、および強い光に応答した安定性を分析しました。 この実験データは、研究者が属性の最適な組み合わせを持つと予測した特定の組成を特定する計算モデルを開発するために使用されました。