Блок-схема оптимизации процесса на основе машинного обучения (слева) и результатов прогнозирования термоэлектрических характеристик в зависимости от 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 технологические условия органических термоэлектрических устройств.
Органические термоэлектрические устройства преобразуют низкотемпературную, потерянную тепловую энергию человеческой кожи или электроники в электричество. План экспериментов, разработанный в этом исследовании, которое является первым примером использования машинного обучения в области органических термоэлектрических устройств, считается новым подходом к эффективной оптимизации производительности органических термоэлектрических устройств, оптимизировать которые было сложно из-за наличие множества переменных.
Исследование, проведенное Джихён Чжон и Суён Пак, доктором философии. кандидатов на факультет электротехники и вычислительной техники Сеульского национального университета. опубликовано 26 ноября в Передовые энергетические материалы.
Органические термоэлектрические устройства привлекают внимание в качестве устройств сбора энергии для носимых устройств и датчиков температуры следующего поколения благодаря их механической гибкости и возможности изготовления на больших поверхностях и массового производства. Однако, в отличие от традиционной термоэлектрической технологии, которая использует кристаллические неорганические материалы для взаимного преобразования тепла и электричества, органические термоэлектрические устройства, использующие тонкие пленки легированного полукристаллического полимера, столкнулись с трудностями при поиске оптимальных условий работы.
Это связано с тем, что тонкие пленки легированного полукристаллического полимера имеют сложное взаимодействие между переменными процесса (концентрация легирования, метод формирования пленки, температура отжига и т. д.) и термоэлектрическими характеристиками (электропроводность, коэффициент Зеебека и т. д.). Поэтому требуется значительное время и усилия, чтобы найти условия, оптимизирующие работу органических термоэлектрических устройств, путем повторных экспериментов, проб и ошибок.
Чтобы решить эту проблему, Квак и его команда внедрили экспериментальный дизайн, основанный на машинном обучении.
Сначала команда выбрала четыре переменных процесса (скорость вращения, концентрация легирующего раствора, время легирования и температура отжига), которые влияют на производительность органических термоэлектрических устройств, а затем установила четыре уровня для каждой переменной.
При этом традиционно изготавливают минимум 256 термоэлектрических устройств, так как количество возможных комбинаций условий процесса рассчитывается путем умножения четырех уровней для каждой 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 получить оптимальные условия процесса, используя всего 16 (4×4) термоэлектрических устройств.
Ожидается, что этот метод экспериментального проектирования, основанный на машинном обучении, который может успешно прогнозировать пиковую производительность органических термоэлектрических устройств при минимизации повторных экспериментов, внесет значительный вклад в улучшение производительности устройств в будущем, а также обеспечит направление для развития материалы и процессы.
Ожидается также, 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 позволило добиться оптимальных термоэлектрических характеристик с помощью лишь небольшого количества экспериментов с помощью технологии машинного обучения», — сказал Джихён Чжон, первый автор статьи.
«В частности, это важно, потому что 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 опто- и наноэлектроники в Сеульском национальном университете и планирует продолжить исследования в области разработки органических термоэлектрических устройств, а также процесса изготовления и оптимизации производительности различных электронных устройств с использованием органических полупроводников.
Исследователь Джихён Чжон продолжает свои исследования с целью дальнейшего улучшения характеристик органических термоэлектрических устройств и продолжит работать над оптимизацией процесса и конструкции устройств, необходимых для разработки технологий чистой энергии, использующих отходящее тепло.
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
Цитирование: Конструкция 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 любых добросовестных сделок в целях частного изучения или исследования, никакая часть не может быть воспроизведена без письменного разрешения. Содержимое предоставлено исключительно в информационных целях.
