Proces testiranja novih tehnologija solarnih ćelija tradicionalno je bio spor i zahtevan, sa više koraka potrebnih za završetak. Grupa istraživača sa Univerziteta Džons Hopkins razvila je metod mašinskog učenja koji obećava da će značajno ubrzati ovaj proces, otvarajući put efikasnijim i pristupačnijim rešenjima u oblasti obnovljive energije. Kevin Lee, vođa tima, zajedno sa svojim kolegama, radio je na ovom projektu koji ima potencijal da revolucionizuje industriju.
Jedan od najvećih izazova u komercijalizaciji novih solarnih materijala i uređaja je dugotrajan ciklus proizvodnje, testiranja i iteracije. Optimizacija novih materijala za tržište predstavlja kompleksan proces koji zahteva pažljivo merenje i razumevanje karakteristika materijala. Međutim, nova metoda koju je razvio tim sa Džons Hopkinsa značajno smanjuje vreme potrebno za ove procese, omogućavajući identifikaciju ključnih karakteristika materijala putem jednog merenja.
U poređenju sa drugim metodama koje se zasnivaju na simuliranim podacima, pristup ovog tima koristi stvarne podatke, što povećava tačnost rezultata. Njihova neuronska mreža može efikasno analizirati hiljade tačaka podataka iz jedne solarne ćelije, identifikujući složene osobine i varijacije koje mogu biti uzrokovane defektima. Ovo eliminira potrebu za proizvodnjom hiljada solarnih ćelija za testiranje.
Suzana Ton, koautorka studije, naglasila je da nova metoda može značajno ubrzati razvoj fotonaponske energije. Algoritam mašinskog učenja koji je razvijen omogućava brzo i precizno prikupljanje svih relevantnih informacija o uređaju i njegovim svojstvima u kratkom vremenskom periodu.
Dodatna prednost ovog sistema je njegova primenljivost na različite materijale i uređaje van solarnih ćelija, što bi moglo ubrzati proces od otkrića materijala do komercijalne upotrebe. Ova inovativna metoda otvara mogućnosti za razvoj novih tehnologija u rekordnom vremenu.
