⚙️ ملخص المقال
استخدم فريق بحثي متقدم تقنيات machine learning لفرز أكثر من نصف مليون تركيب لمواد الأوكسيد-بورسكيت Perovskite، وصولًا إلى 38 تركيبة واعدة لتطبيقات الخلايا الشمسية (photovoltaic). استند الإطار المُطوَّر إلى دمج تقنيات التصنيف (classification) والانحدار (regression) مع معايير الاستدامة والكيمياء الهندسية، ليُسهل مهمة التنبؤ بخصائص فجوة الطاقة (band gap) بدون الاعتماد الكامل على الحسابات المكلفة والمتكررة. وتنتظر هذه المواد المختارة المزيد من الدراسات التفصيلية للتحقق من أدائها واستدامتها.
⚙️ التحديات في البحث عن مواد الخلايا الشمسية الفعالة
تُعَدُّ مواد الأوكسيد-بورسكيت (oxide perovskites) من الخيارات المشوقة في مجال تطوير الخلايا الشمسية، نظرًا لمرونتها في تعديل خصائصها الكهربائية والبصرية. ولعل الهدف الرئيسي هو الحصول على تلك التي تتمتع بفجوة طاقة مناسبة، لا تكون كبيرة جدًا فتُعيق تحويل الطاقة الشمسية إلى كهرباء بكفاءة، ولا صغيرة فتؤدي إلى خسائر عالية.
تكمن المشكلة في أن معظم مركبات هذه الأوكسيد-بورسكيت إما عازلة أو ذات فجوات طاقة كبيرة، الأمر الذي يصعب معه البحث التقليدي المُعتمد على التجربة والخطأ أو الحسابات الكمية مثل Density Functional Theory (DFT)، التي تُعدُّ مكلفة وزمنية حين تُطبق على مئات آلاف التركيبات.
لذلك، برزت الحاجة إلى آلية سريعة ومنهجية تعتمد على التنبؤ الرقمي لتصفية آلاف التركيبات المحتملة وتحجيمها إلى قائمة مركزة قبل اللجوء للفحوص التجريبية المفصلة.
🔧 الإطار المتعدد المراحل لتعلم الآلة
بدأ الباحثون بالإعتماد على قاعدة بيانات ضخمة تحوي 551,696 مركبًا من الأوكسيد بورسكيت المتعادل الشحنة والمُحقق لمعايير الاستقرار الهندسي مثل Goldschmidt tolerance وoctahedral factors.
تم اختيار 5,450 مركبًا محددًا بحسابات DFT مسبقة، تُظهر فجوة طاقة مقاسة بأسلوب Local Density Approximation (LDA) مع الأخذ في الاعتبار أن هذه الطريقة تميل إلى التقليل من قيم فجوة الطاقة.
لعدم توفر معلومات هيكلية كاملة لكل التركيبات، استُخدمت طريقة التوصيف القائمة على تركيب المادة (composition-based feature vectorization)، والمرتكزة على إطار Oliynyk الذي يستخرج خصائص متعددة للعناصر المكونة.
تخلل هذا الإطار عملية تنظيف وتحسين للميزات (features)، عبر: إزالة المتغيرات قليلة التنوع، تقليل الارتباطات العالية، واستخدام تقنيات تقييم الأهمية مثل LightGBM feature importance، لضمان اختيار أفضل المتغيرات المؤثرة على نموذج التنبؤ.
🔥 التنبؤ بفجوة الطاقة وتصنيف المواد
تم تطوير نموذجين رئيسيين للتصنيف يعتمد كل منهما على حدود محددة لفجوة الطاقة: الأول عند 0.5 إلكترون فولت، والثاني عند 2.0 إلكترون فولت.
عرف نموذج XGBoost أفضل أداء بدقة تصل إلى 96.6% و95.7% على التوالي، مع ثقة عالية جدًا في تصنيفه للمواد التي تقع فوق أو تحت حد 2.0 إلكترون فولت.
تم التعامل بعد ذلك مع المواد التي اجتازت تصفية التصنيف عبر نماذج الانحدار (regression)، ومزج تقنيات مثل Extra Trees وSupport Vector Regression (SVR)، وCatBoost، وLightGBM، ما أدى إلى متوسط خطأ مطلق في توقع فجوة الطاقة لا يتجاوز 0.209 إلكترون فولت.
وهكذا تم تحديد 15,966 مادة ذات فجوات طاقة مناسبة تقع بين 1.28 و1.62 إلكترون فولت، نطاق مستوحى من أداء خلايا البورسكيت الهاليدية عالية الكفاءة.
🏭 تطبيق معايير الاستدامة والتصنيع لاختيار المرشحين النهائيين
بعد تصفية المادة باستخدام المعايير الفيزيائية والكيميائية، خضع المرشحون لمعايير إضافية تأخذ بالحسبان:
- القدرة على التشكّل الهندسي
- تعادل الشحنة الكهربائية
- مخاطر السمية والبيئة (غياب الرصاص والكادميوم)
- توفر العناصر وتحديات سلسلة التوريد
- سهولة التصنيع
نتيجة لهذه العملية، اقتصر البحث على 38 تركيبًا من الأوكسيد-بورسكيت الخالية من المواد السامة مثل الرصاص والكادميوم.
بعض الأمثلة المختارة مثل Ba2GeSnO6 وK2MoSnO6 لديها فجوات طاقة تقترب من 1.5 إلكترون فولت، مقارنةً بـ CdTe المستخدم تجاريًا، مما يفتح آفاقًا لتطوير خلايا شمسية أقل ضررًا وأكثر استدامة.
🔧 الحاجة لمزيد من التحقق والدراسات المستقبلية
يتيح هذا البحث إطار عمل سريع وفعال لاختيار المواد عبر دمج تعلّم الآلة مع معايير هندسية وبيئية متقدمة.
لكن تصنيف الـ38 مادة لا يعني أنها جاهزة للتطبيق العملي، إذ لا بد من تقييم: الاستقرار الديناميكي والحراري، خصائص الامتصاص والشحن، قدرة التحمل عند وجود عيوب، وأخيرا قابلية تصنيعها في أنظمة خلايا شمسية فعلية.
تُشكّل هذه النتائج نقطة انطلاق مُحفِّزة للبحث الهندسي الميكانيكي المتعلق بالأنظمة الحرارية والطاقة البديلة، خصوصًا في مجالات تصنيع وتصميم المحركات والتوربينات التي تعتمد على كفاءات تحويل طاقة عالية.
🚗 خاتمة
تعد نتائج هذه الدراسة مثالًا حيويًا على قدرة الذكاء الاصطناعي والـ machine learning في تعجيل اكتشاف مواد جديدة، وتقليل الجهد والموارد المطلوبة في حقل الهندسة الميكانيكية والطاقة الحرارية.
إن اختيار 38 مركبًا بوصفها مرشحين محتملين باستخدام إطار متعدد المراحل يعكس تقدماً نوعيًا في منهجية البحث والابتكار الصناعي، ما قد يفسح المجال لتطوير خلايا شمسية مستدامة وعالية الكفاءة في المستقبل القريب.
📚 مقالات ذات صلة
اكتشاف المزيد من Mohdbali
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
