Блок-схема оптимизации процесса на основе машинного обучения (слева) и результат прогнозирования термоэлектрических характеристик на основе условий процесса (справа). Фото: Инженерный колледж Сеульского национального университета.
Исследовательская группа разработала метод планирования экспериментов (DOE), основанный на машинном обучении, который эффективно оптимизирует производительность и условия обработки органических термоэлектрических устройств.
Органические термоэлектрические устройства преобразуют низкотемпературную тепловую энергию человеческой кожи или электронных устройств в электричество. План экспериментов, разработанный в этом исследовании, который является первым примером использования машинного обучения в области органических термоэлектрических устройств, считается новым подходом к эффективной оптимизации производительности органических термоэлектрических устройств, которые до сих пор было трудно оптимизировать. из-за наличия многих переменных.
Исследование, проведенное Джихён Чжон и Суён Пак, кандидатами наук на факультете электротехники и вычислительной техники Сеульского национального университета, было проведено. опубликовано 26 ноября в Передовые энергетические материалы.
Органические термоэлектрические устройства привлекли внимание в качестве устройств сбора энергии для носимых устройств и датчиков температуры следующего поколения благодаря их механической гибкости и возможности изготовления на больших площадях и серийного производства. Однако, в отличие от традиционной термоэлектрической технологии, которая использует кристаллические неорганические материалы для преобразования тепла и электричества, органические термоэлектрические устройства, использующие тонкие пленки легированных полукристаллических полимеров, изо всех сил пытались найти оптимальные условия работы.
Действительно, тонкие пленки легированных полукристаллических полимеров имеют сложное взаимодействие между переменными процесса (концентрацией легирования, методом формирования пленки, температурой отжига и т. д.) и термоэлектрическими характеристиками (электропроводностью, коэффициентом Зеебека и т. д.). Поэтому требуется много времени и усилий, чтобы путем повторных экспериментов, проб и ошибок найти условия, оптимизирующие работу органических термоэлектрических устройств.
Чтобы устранить эту неэффективность, Квак и его команда представили экспериментальный проект, основанный на машинном обучении.
Сначала команда выбрала четыре переменных процесса (скорость вращения, концентрацию легирующего раствора, время легирования и температуру отжига), которые влияют на производительность органических термоэлектрических устройств, а затем определила четыре уровня для каждой переменной.
В этом случае традиционно изготавливается минимум 256 термоэлектрических устройств, поскольку количество возможных комбинаций технологических условий рассчитывается путем умножения четырех уровней на каждую из четырех переменных (4 х 4 х 4 х 4), чтобы оценить все переменные.
Тем не менее, команда разработала экспериментальный план на основе искусственного интеллекта, который позволил им определить важность ключевых переменных процесса, влияющих на производительность органических термоэлектрических устройств, и достичь оптимальных условий процесса с помощью всего лишь 16 (4×4) термоэлектрических устройств.
Ожидается, что этот метод экспериментального проектирования, основанный на машинном обучении, который может успешно предсказать максимальную производительность органических термоэлектрических устройств при минимизации повторных экспериментов, внесет значительный вклад в улучшение производительности устройств в будущем, а также определит направление для разработки материалов и процессов. .
Ожидается, что эти высокопроизводительные органические термоэлектрические устройства будут широко использоваться в качестве источников питания для носимых устройств и небольших электронных устройств.
«Это исследование является успешным примером использования ИИ, поскольку оно эффективно достигло оптимальных термоэлектрических характеристик с помощью лишь небольшого количества экспериментов с использованием технологии машинного обучения», — сказал он Джихён Чжон, первый автор статьи.
«Это особенно важно, поскольку доказывает, что традиционный итеративный экспериментальный метод может быть преобразован в научный проект, основанный на данных».
Профессор Джонхун Квак, возглавлявший исследование, добавил: «Метод планирования экспериментов на основе искусственного интеллекта не только значительно сократил время и затраты на исследования, но также позволил нам более систематически понимать взаимодействия между многомерными переменными, которые раньше было трудно исследовать. »
В настоящее время Квак возглавляет лабораторию передовой оптоэлектроники и наноэлектроники Сеульского национального университета и планирует продолжить исследования в области разработки органических термоэлектрических устройств, а также процесса производства и оптимизации производительности различных электронных устройств с использованием органических полупроводников.
Исследователь Джихён Чжон продолжает свои исследования по дальнейшему улучшению характеристик органических термоэлектрических устройств и продолжит работать над оптимизацией проектирования процессов и устройств, необходимых для разработки технологий чистой энергии с использованием отработанного тепла.
Дополнительная информация:
Джихён Чжон и др., Оптимизация процессов с помощью машинного обучения для высокопроизводительных органических термоэлектриков, Передовые энергетические материалы (2024). DOI: 10.1002/aenm.202403431
Цитировать: Разработка на основе искусственного интеллекта оптимизирует производительность органических термоэлектрических устройств (5 декабря 2024 г.), получено 6 декабря 2024 г. с сайта
Этот документ защищен авторским правом. За исключением добросовестного использования в личных целях или исследовательских целях, никакая часть не может быть воспроизведена без письменного разрешения. Содержимое предоставлено исключительно в информационных целях.
