Η Τεχνητή Νοημοσύνη Χρησιμοποιείται για την Ταχύτερη Προώθηση της Ηλιακής Τεχνολογίας Ποτέ Πριν

Η αγορά των ηλιακών κυττάρων και πλαισίων προοδεύει ραγδαία. Σύμφωνα με δημόσια διαθέσιμες εκτιμήσεις, η αξία της παγκόσμιας αγοράς ηλιακών πλαισίων ανήλθε σε περίπου US$82 δισεκατομμύρια το 2023 και προβλέπεται να φτάσει 260 δισεκατομμύρια δολάρια ΗΠΑ το 2031, περισσότερη από τριπλάσια αύξηση σε οκτώ χρόνια.

Η πρόοδος των ηλιακών πλαισίων εξαρτάται από βελτιώσεις στα ηλιακά κύτταρα, τα θεμελιώδη συστατικά των ηλιακών πλαισίων. Τα πλαίσια κατασκευάζονται από μονοκρυσταλλικά ή πολυκρυσταλλικά πυριτιούμια ηλιακά κύτταρα, συγκολλώντας τα μεταξύ τους και σφραγίζοντάς τα κάτω από ένα αντιανακλαστικό γυάλινο κάλυμμα. Αναμφίβολα, κάθε πρόοδος στην ηλιακή τεχνολογία εξαρτάται από βελτιώσεις στα ηλιακά κύτταρα. Θα συζητήσουμε μία τέτοια καινοτομία στο επόμενο τμήμα.

Εφαρμογή Μηχανικής Μάθησης για την Επιτάχυνση της Αναζήτησης Νέων Μολυβδών Ημιαγωγών για Ηλιακά Κελιά Περβόσκιτ

Ερευνητές του Ινστιτούτου Τεχνολογίας Καρλσρούης, που εργάζονται ως μέρος μιας διεθνούς ομάδας, μπόρεσαν να βρουν νέα οργανικά μόρια που αύξησαν την απόδοση των ηλιακών κελιών περβόσκιτ^1. Στην επίτευξη του στόχου τους, η ομάδα ερευνητών χρησιμοποίησε έναν έξυπνο συνδυασμό AI και αυτοματοποιημένης υψηλής απόδοσης σύνθεσης. Όπως επισημαίνει η αναφορά, η έρευνα είναι συμβατή με εφαρμογές σε άλλους τομείς της υλικοεπιστήμης, συμπεριλαμβανομένης της αναζήτησης νέων υλικών για μπαταρίες. 

Το επιστημονικό άρθρο που περιγράφει την έρευνα δηλώνει ότι ο αντίστροφος σχεδιασμός προσαρμοσμένων οργανικών μορίων για συγκεκριμένες οπτοηλεκτρονικές συσκευές υψηλής πολυπλοκότητας κατέχει τεράστιο ανεκμετάλλευτο δυναμικό. Τα μοντέλα που υπήρχαν πριν δημοσιευτούν τα αποτελέσματα βασίζονταν σε μεγάλα σύνολα δεδομένων που γενικά δεν υπήρχαν για εξειδικευμένους ερευνητικούς τομείς.

Οι ερευνητές παρουσίασαν μια κλειστή ροή εργασίας που συνδύαζε υψηλής απόδοσης σύνθεση οργανικών ημιαγωγών για τη δημιουργία μεγάλων συνόλων δεδομένων και βεϋσιανή βελτιστοποίηση για την ανακάλυψη νέων υλικών μεταφοράς οπών με προσαρμοσμένες ιδιότητες για εφαρμογές ηλιακών κελιών. Τα προβλεπτικά μοντέλα βασίστηκαν σε μοριακούς περιγραφείς που επέτρεψαν στους επιστήμονες να συνδέσουν τη δομή αυτών των υλικών με την απόδοσή τους. 

Συνολικά, η έρευνα μπόρεσε να εντοπίσει μια σειρά από υψηλών επιδόσεων μόρια από ελάχιστες προτάσεις έως επίτευξη έως 26,2% (πιστοποιημένο 25,9%) απόδοσης μετατροπής ενέργειας σε ηλιακά κελιά περβόσκιτ.

Ενώ η επιστημονική εξήγηση του τι πέτυχε η ερευνητική ομάδα μπορεί να φαίνεται πολύ τεχνική για να την κατανοήσει κανείς, υπάρχουν πιο απλοί τρόποι να κατανοήσουμε τα προβλήματα και πώς οι λύσεις βγήκαν στο προσκήνιο. 

Η εργασία του εντοπισμού ποιοι από ένα εκατομμύριο διαφορετικά μόρια θα διέθεταν θετικά φορτία και θα έκαναν τα ηλιακά κελιά περβόσκιτ ιδιαίτερα αποδοτικά θα απαιτούσε τη σύνθεση και δοκιμή όλων τους. Η χρήση AI βοήθησε στη μείωση αυτού του εκνευριστικού φορτίου, καθώς η ομάδα ερευνητών, υπό την ηγεσία του καθηγητή Πασκάλ Φριέντερικ, ειδικού στις εφαρμογές AI στην υλική επιστήμη στο KIT, και του καθηγητή Κρίστοφ Μπραμπέκ από το Ινστιτούτο Helmholtz Erlangen‑Νυρεμβέργης (HI ERN), ανέπτυξε ένα μοντέλο AI για να εξυπηρετήσει τον σκοπό τους με τον ελάχιστο δυνατό αριθμό προσπαθειών.

Σύμφωνα με τον Μπραμπέκ:

«Με μόνο 150 στοχευμένα πειράματα, καταφέραμε μια επανάσταση που διαφορετικά θα απαιτούσε εκατοντάδες χιλιάδες δοκιμές.»

Οι ερευνητές πίστευαν ότι η ροή εργασίας που ανέπτυξαν θα μπορούσε να ανοίξει νέους δρόμους για γρήγορη και οικονομική ανακάλυψη υλικών υψηλής απόδοσης για ένα ευρύ φάσμα εφαρμογών. 

Αλλά πώς κατάφεραν οι ερευνητές να πετύχουν αυτό που έκαναν; Ας εμβαθύνουμε λίγο περισσότερο!

Εκπαίδευση AI με Δεδομένα Μορίων

Όλα ξεκίνησαν στο Ινστιτούτο Helmholtz Erlangen‑Νυρεμβέργης (HI ERN), με μια βάση δεδομένων γεμάτη δομικούς τύπους για περίπου ένα εκατομμύριο εικονικά μόρια που μπορούσαν να συντεθούν από εμπορικά διαθέσιμες ουσίες. Οι ερευνητές επέλεξαν τυχαία 13.000 από αυτά τα εικονικά μόρια. Για να καθορίσουν τα ενεργειακά τους επίπεδα, την πολικότητα, τη γεωμετρία και άλλες ιδιότητες, οι ερευνητές του KIT χρησιμοποίησαν καθιερωμένες κβαντικές μεθόδους. 

Η επιλογή 101 μορίων από τα 13.000 βασίστηκε στην ποικιλομορφία των μοριακών τους ιδιοτήτων. Με άλλα λόγια, οι επιστήμονες επέλεξαν αυτά τα 101 με τις μεγαλύτερες διαφορές στις ιδιότητές τους.

Στη συνέχεια, οι επιστήμονες συνέθεσαν αυτά τα μόρια με ρομποτικά συστήματα για να παραγάγουν ηλιακά κύτταρα που ήταν διαφορετικά πανομοιότυπα. Η μέτρηση της απόδοσης αυτών των ηλιακών κυττάρων ήταν μία από τις πιο κρίσιμες πτυχές της έρευνας.

Σχετικά με αυτή τη μέτρηση αποδοτικότητας, ο Μπραμπέκ είπε:

«Η δυνατότητα παραγωγής πραγματικά συγκρίσιμων δειγμάτων χάρη στην εξαιρετικά αυτοματοποιημένη πλατφόρμα σύνθεσης μας, και έτσι η δυνατότητα καθορισμού αξιόπιστων τιμών αποδοτικότητας, ήταν κρίσιμη για την επιτυχία της στρατηγικής μας.»

Το μοντέλο AI που οι ερευνητές εκπαίδευσαν και ανέπτυξαν πρότεινε 48 άλλα μόρια για σύνθεση. Αυτές οι προτάσεις βασίστηκαν σε δύο κριτήρια:

• Υψηλή αναμενόμενη απόδοση
• Απρόβλεπτες ιδιότητες

Η σύσταση του AI έφερε θετικά αποτελέσματα. Τα μόρια που πρότεινε το AI επέτρεψαν την κατασκευή ηλιακών κυττάρων με πάνω‑μέσο όρο απόδοση. Μερικά από αυτά μπορούσαν ακόμη και να ξεπεράσουν τις δυνατότητες των πιο προηγμένων υλικών της σημερινής ημέρας. 

Το αποτέλεσμα ενίσχυσε την εμπιστοσύνη των ερευνητών στην απόφαση να χρησιμοποιήσουν AI. Καθώς χαρακτήριζαν το επίπεδο επίτευξης, ο Φριέντερικ είπε:

«Δεν μπορούμε να είμαστε σίγουροι ότι βρήκαμε πραγματικά το καλύτερο από ένα εκατομμύριο μόρια, αλλά σίγουρα είμαστε κοντά στο βέλτιστο.»

Η χρήση AI ήταν πραγματικά ενθαρρυντική, καθώς βοήθησε τους ερευνητές να αποκτήσουν επίγνωση των μορίων που πρότεινε. Οι προτάσεις του AI βασίστηκαν εν μέρει στην παρουσία ορισμένων χημικών ομάδων, όπως οι αμίνες, που οι χημικοί είχαν παραβλέψει προηγουμένως. Η ανάδειξη αυτών των παραβλεπόμενων χημικών ομάδων ήταν αναμφίβολα ένα σημαντικό θετικό αποτέλεσμα της χρήσης AI.

Γενικά, η χρήση AI για την προώθηση της ηλιακής τεχνολογίας δεν είναι καινούργια. Η Διεθνής Υπηρεσία Ανανεώσιμων Πηγών Ενέργειας (IRENA) πραγματοποίησε εκτενή μελέτη για το πώς οι εφαρμογές AI θα μπορούσαν να βελτιώσουν τις διαδικασίες ενσωμάτωσης ανανεώσιμων πηγών ενέργειας, ειδικά εκείνες που αφορούν αιολική και ηλιακή ενέργεια. 

Στο επόμενο τμήμα, θα εξετάσουμε μερικές από τις προοπτικές της αναφοράς για να αποκτήσουμε μια ολοκληρωμένη εικόνα του πώς το AI μπορεί να αποδειχθεί αποτελεσματικό στην ηλιακή τεχνολογία. 

Διάφορες Εφαρμογές του AI στην Προώθηση της Ηλιακής Τεχνολογίας

Το AI μπορεί να βοηθήσει την ηλιακή τεχνολογία να γίνει πιο αποδοτική, βοηθώντας τη να δημιουργήσει βελτιωμένες προβλέψεις παραγωγής ανανεώσιμης ενέργειας. Τα μεγάλα δεδομένα και το AI θα μπορούσαν να παράγουν ακριβείς προβλέψεις παραγωγής ενέργειας που θα καθιστούσαν εφικτή την ενσωμάτωση πολύ μεγαλύτερης ποσότητας ανανεώσιμης ενέργειας στο δίκτυο. Η αναφορά αναφέρει το παράδειγμα της IBM, η οποία το 2015 μπόρεσε να δείξει βελτίωση 30% στην πρόβλεψη ηλιακής ενέργειας ενώ συνεργαζόταν με το Πρόγραμμα SunShot του Υπουργείου Ενέργειας των ΗΠΑ. 

Το αυτο‑εκπαιδευτικό μοντέλο και η τεχνολογία πρόβλεψης παραγωγής ανανεώσιμης ενέργειας αξιοποιούσαν μεγάλα σύνολα ιστορικών δεδομένων και πραγματικού χρόνου, ενσωματωμένα από τοπικούς μετεωρολογικούς σταθμούς, δίκτυα αισθητήρων, δορυφόρους και κάμερες εικόνας ουρανού.

Οι διαχειριστές συστημάτων θα μπορούσαν επίσης να ωφεληθούν από ακριβείς βραχυπρόθεσμες προβλέψεις, βελτιώνοντας τη δέσμευση μονάδων, αυξάνοντας την αποδοτικότητα αποστολής, μειώνοντας προβλήματα αξιοπιστίας και μειώνοντας τις λειτουργικές εφεδρείες που απαιτούνται στο σύστημα.  

Η αναφορά ανέδειξε δύο έργα. Το ένα ήταν το EWeLiNE, ένα γερμανικό ερευνητικό έργο που χρησιμοποίησε λογισμικό μηχανικής μάθησης και ολοκληρώθηκε το 2017. Το άλλο ήταν το Gridcast, η συνέχεια του. Και τα δύο χρησιμοποίησαν AI για την πρόβλεψη παραγωγής ενέργειας. Συλλέγανε δεδομένα από ηλιακούς αισθητήρες, ανεμογεννήτριες και μετεωρολογικές προβλέψεις. Αυτό βοήθησε στη μείωση της σπατάλης ενέργειας.

Το AI θα μπορούσε επίσης να παίξει κρίσιμο ρόλο στη διατήρηση της σταθερότητας και αξιοπιστίας του δικτύου. Τέσσερις εταιρείες (Adaptricity, AEK, Alpiq και Landis+Gyr (LAND.SW )), μαζί με το καντόνι Σολόθουρν, δοκιμάζουν πώς οι λύσεις AI μπορούν να εξασφαλίσουν τη μελλοντική σταθερότητα του δικτύου και να ελαχιστοποιήσουν τις επενδύσεις σε δαπανηρή επέκταση του δικτύου σε πιλοτικό έργο που ονομάζεται SoloGrid. 

Παρατηρήθηκε ότι το AI θα μπορούσε να αυξήσει τη χωρητικότητα των δικτύων ηλεκτρικής ενέργειας και να μειώσει την ανάγκη για νέες γραμμές, αξιοποιώντας καλύτερα τις υπάρχουσες γραμμές βάσει των καιρικών συνθηκών. Τα συστήματα βασισμένα σε AI, χρησιμοποιώντας μεγάλα ποσά καιρικών δεδομένων, θα μπορούσαν να εξασφαλίσουν βέλτιστη χρήση των υπαρχόντων δικτύων προσαρμόζοντας τις λειτουργίες στις καιρικές συνθήκες ανά πάσα στιγμή, μειώνοντας έτσι τη συμφόρηση.

Το AI θα μπορούσε επίσης να βελτιώσει την ασφάλεια, αξιοπιστία και αποδοτικότητα στα συστήματα ενέργειας εντοπίζοντας αυτόματα διαταραχές. Τα μοντέλα AI, εκπαιδευμένα με παραδείγματα τυπικών διακοπών συστήματος, θα μπορούσαν σταδιακά να μάθουν να διακρίνουν — και να κατηγοριοποιούν με ακρίβεια — τα κανονικά λειτουργικά δεδομένα από ορισμένες βλάβες του συστήματος. Ως αποτέλεσμα, ο αλγόριθμος θα μπορούσε να λαμβάνει αποφάσεις σε κλάσματα δευτερολέπτων για την παρουσία μιας ανωμαλίας ή βλάβης, καθώς και τον τύπο και την τοποθεσία της. Συγκεκριμένα, ο αλγόριθμος θα μπορούσε να φτάσει σε απόφαση μέσα σε 20–50 ms, παρέχοντας επαρκή χρόνο για την εφαρμογή των κατάλληλων πλήρως αυτοματοποιημένων αντιμέτρων.

Το AI θα μπορούσε επίσης να ενισχύσει την ηλιακή τεχνολογία βελτιώνοντας τις προβλέψεις ζήτησης. Η αναφορά έδωσε ένα παράδειγμα: BeeBryte, μια γαλλική startup. Χρησιμοποίησε AI για να προβλέψει τη θερμική ζήτηση ενέργειας ενός κτιρίου. Αυτό της επέτρεψε να παράγει θέρμανση και ψύξη τη σωστή στιγμή. Οι πελάτες μπορούσαν να ορίσουν ένα εύρος λειτουργικής θερμοκρασίας, και το AI το διατήρησε σταθερό. Αυτό οδήγησε σε εξοικονόμηση έως 40% στους λογαριασμούς κοινής ωφέλειας.

Το AI βοήθησε επίσης στην παράταση της διάρκειας ζωής των μονάδων αποθήκευσης. Χρησιμοποίησε προβλεπτική λογική για τη βελτιστοποίηση της φόρτισης και εκφόρτισης. Η αναφορά ανέφερε το Athena, ένα σύστημα AI που ανέπτυξε η εταιρεία Stem με έδρα την Καλιφόρνια. Χαρτογράφησε τη χρήση ενέργειας και παρακολούθησε τις διακυμάνσεις των τιμών ενέργειας. Αυτό επέτρεψε στους πελάτες να χρησιμοποιούν την αποθήκευση πιο αποδοτικά.

Εκτός από καινοτόμες και ευφυείς startups, αρκετές μεγάλες εταιρείες έχουν χρησιμοποιήσει AI για την προώθηση εφαρμογών ηλιακής τεχνολογίας. Στα επόμενα τμήματα, θα συζητήσουμε δύο τέτοιες εταιρείες και πώς εφάρμοσαν AI για να προωθήσουν την ηλιακή τεχνολογία. 

1. Google

Η Google είναι γνωστή για τη χρήση των συστημάτων DeepMind AI για την πρόβλεψη της παραγωγής από τα ηλιακά της πάρκα, παρέχοντας ακριβείς προβλέψεις που βοηθούν στη βελτιστοποίηση της κατανάλωσης ενέργειας και στη μείωση του κόστους. Μία αναφορά υποδεικνύει ότι μείωσε την ενέργεια που χρησιμοποιείται για ψύξη σε ένα κέντρο δεδομένων της Google κατά 40% (συνολική μείωση 15% στην κατανάλωση ενέργειας) χρησιμοποιώντας μόνο ιστορικά δεδομένα αισθητήρων από το ίδιο το κέντρο δεδομένων (π.χ. θερμοκρασίες, ισχύ, ταχύτητα αντλιών, σημείο ρύθμισης) για τη βελτίωση της ενεργειακής αποδοτικότητας. Το σύστημα AI προβλέπει τη μελλοντική θερμοκρασία και πίεση του κέντρου δεδομένων την επόμενη ώρα και δίνει συστάσεις για το αν θα πρέπει να ενεργοποιηθεί ή να απενεργοποιηθεί η κατανάλωση.

Εμπνευσμένη από την επιτυχία της, η εταιρεία πήρε αυτές τις καινοτομίες στο επόμενο επίπεδο, όπου, αντί οι συστάσεις να υλοποιούνται από ανθρώπους, το σύστημα AI έλεγχε άμεσα τη ψύξη του κέντρου δεδομένων, παραμένοντας υπό την επίβλεψη των ειδικών λειτουργίας του κέντρου.

Το 2015, η Google λάνσαρε το Project Sunroof για να βοηθήσει τους ιδιοκτήτες σπιτιών να εκτιμήσουν το δυναμικό εξοικονόμησης ηλιακής ενέργειας. Βασιζόμενη στην εμπειρία που αποκτήθηκε από αυτό το έργο, η εταιρεία κυκλοφόρησε το νέο εργαλείο Solar API το 2023. Χρησιμοποίησε χάρτες και υπολογιστικούς πόρους για να παρέχει λεπτομερή δεδομένα ηλιακού δυναμικού για πάνω από 320 εκατομμύρια κτίρια σε 40 χώρες, συμπεριλαμβανομένων των ΗΠΑ, Γαλλίας και Ιαπωνίας.

Η Google εκπαίδευσε το μοντέλο AI της για να εξάγει 3D πληροφορίες για τη γεωμετρία των οροφών απευθείας από εναέρια εικόνα, μαζί με λεπτομέρειες για δέντρα και σκιά, ενώ το Solar API λογαριαζόταν παράγοντες όπως ιστορικά καιρικά μοτίβα στην περιοχή, κόστος ενέργειας και άλλα. Ο στόχος είναι να επιτρέψει στους εγκαταστάτες ηλιακών να κατανοήσουν το ηλιακό δυναμικό και το κόστος πριν επισκεφθούν την περιοχή. 

Στις 29 Οκτωβρίου 2024, η Alphabet Inc. (GOOG ) ανακοίνωσε τα οικονομικά αποτελέσματα για το τρίμηνο που έληξε στις 30 Σεπτεμβρίου 2024. Τα ενοποιημένα έσοδα της Alphabet το τρίτο τρίμηνο του 2024 αυξήθηκαν κατά 15%, ή 16% σε σταθερό νόμισμα, σε σχέση με το προηγούμενο έτος, φτάνοντας τα 88,3 δισεκατομμύρια δολάρια, αντανακλώντας ισχυρή δυναμική σε όλο το επιχειρηματικό πεδίο. 

2. GE

Το 2023, η GE Vernova (GEV ) λάνσαρε το Fleet Orchestration, ένα νέο λογισμικό που αξιοποιεί AI και μηχανική μάθηση για να βοηθήσει τις εταιρείες παροχής ενέργειας να μεγιστοποιήσουν τη χρήση ανανεώσιμων πηγών.

Κατά τη διάρκεια της παρουσίασης των ωφελειών της λύσης, η Linda Rae, γενική διευθύντρια παραγωγής ενέργειας και πετρελαίου & φυσικού αερίου για το ψηφιακό τμήμα της GE Vernova, είπε το εξής:

«Οι ανανεώσιμες πηγές όπως ο άνεμος και ο ήλιος παίζουν σημαντικό ρόλο στη ενεργειακή μετάβαση. Είναι κλειδιά για τη μείωση της εξάρτησης του κόσμου από τα ορυκά καύσιμα. Η πρόκληση είναι ότι αυτές οι πηγές ενέργειας είναι εγγενώς μεταβλητές — ο άνεμος δεν φυσάει πάντα, και ο ήλιος δεν λάμπει πάντα. Αλλά οι άνθρωποι πάντα περιμένουν να ανάψουν τα φώτα όταν πιέσουν το διακόπτη. Αυτό είναι όπου λύσεις λογισμικού, όπως το Fleet Orchestration, μπορούν να μειώσουν αυτή την αβεβαιότητα για τις εταιρείες ενέργειας, δίνοντάς τους την εμπιστοσύνη που χρειάζονται για να εξασφαλίσουν τη σταθερότητα του δικτύου ενώ ταυτόχρονα μειώνουν τις εκπομπές.»

Σύμφωνα με μια μελέτη που δημοσιεύτηκε από την ISO New England, τα αποθεματικά ενδέχεται να χρειαστεί να αυξηθούν από 15% σε 300% μέχρι το 2040 για να φτάσουν το 56% χρήσης ανανεώσιμων πηγών. Η GE πιστεύει ότι η δυνατότητα του λογισμικού της να βοηθήσει στον καθορισμό κατάλληλων αποθεματικών — του επιπλέον πόρου που απαιτείται για τη διασφάλιση αξιοπιστίας του συστήματος σε περιόδους πίεσης — έρχεται τη σωστή στιγμή.

Μία εβδομάδα πριν,  η GE Vernova δημοσίευσε τα οικονομικά αποτελέσματα για το τέταρτο τρίμηνο και το πλήρες έτος που έληξε στις 31 Δεκεμβρίου 2024. Η εταιρεία ανέφερε έσοδα πλήρους έτους 34,9 δισεκατομμύρια δολάρια, +5%, +7%, οργανικά, κυρίως λόγω της Ηλεκτριστικοποίησης και της Ενέργειας. 

Το AI και η Ηλιακή Τεχνολογία θα Περπατήσουν Χέρι‑Χέρι στο Μέλλον

Για να γίνει πιο χρήσιμο για το οικοσύστημα της ηλιακής τεχνολογίας, το AI θα πρέπει να κάνει ορισμένα βήματα στο μέλλον. Θα πρέπει να υπάρχει ένας ισχυρός μηχανισμός συλλογής χρήσιμων δεδομένων. Το επόμενο βήμα θα περιλαμβάνει την αποδοτική λειτουργικοποίηση αυτών των δεδομένων με τη σωστή δομή ώστε να γίνουν ενέργειες. Τρίτον, πρέπει να διασφαλιστεί ότι διαφορετικά σύνολα δεδομένων επικοινωνούν αποτελεσματικά και παρέχουν αξία. Τέλος, τα μοντέλα AI θα πρέπει να βελτιστοποιηθούν και να ρυθμιστούν ώστε να αποδώσουν το μέγιστο δυνατό. 

Κάντε κλικ εδώ για μια λίστα με τις κορυφαίες μετοχές ηλιακής ενέργειας για επένδυση.

Αναφορά Μελέτης:

^{1. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha‑Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-W., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez‑Ojeda, M. E., Seok, S. I., Friederich, P., & Brabec, C. J. (2024). Αντίστροφη ροή σχεδίασης ανακαλύπτει υλικά μεταφοράς οπών προσαρμοσμένα για ηλιακά κελιά περβόσκιτ. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}