AI का उपयोग सौर प्रौद्योगिकी को पहले से तेज़ी से आगे बढ़ाने के लिए किया जा रहा है

सौर कोशिकाओं और पैनलों का बाजार तेज़ी से विकसित हो रहा है। सार्वजनिक रूप से उपलब्ध अनुमान के अनुसार, 2023 में विश्व स्तर पर सौर पैनलों का बाजार मूल्य लगभग US$82 बिलियन था और भविष्यवाणी की गई है कि यह US$260 बिलियन 2031 में, आठ वर्षों में तीन गुना से अधिक वृद्धि।

सौर पैनलों की प्रगति सौर कोशिकाओं में सुधार पर निर्भर करती है, जो सौर पैनलों के मूल घटक हैं। पैनल मोनोक्रिस्टलाइन या पॉलीक्रिस्टलाइन सिलिकॉन सौर कोशिकाओं को एक साथ जोड़कर और एंटी-रिफ्लेक्टिव ग्लास कवर के नीचे सील करके बनाए जाते हैं। निस्संदेह, सौर प्रौद्योगिकी में कोई भी प्रगति सौर कोशिकाओं में सुधार पर निर्भर करती है। हम अगले भाग में इस तरह की एक सफलता पर चर्चा करेंगे।

परवोस्काइट सौर कोशिकाओं के लिए नई अर्धचालक अणुओं की खोज को तेज़ करने हेतु मशीन लर्निंग का उपयोग

कार्ल्सरुहे इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने, एक अंतरराष्ट्रीय टीम के हिस्से के रूप में, नई कार्बनिक अणु खोजे जो परवोस्काइट सौर कोशिकाओं की दक्षता बढ़ाते हैं^1. अपने मिशन को हासिल करने में, शोधकों की टीम ने AI और स्वचालित हाई-थ्रूपुट सिंथेसिस का बुद्धिमान संयोजन उपयोग किया। जैसा कि रिपोर्ट में उजागर किया गया है, यह शोध सामग्री अनुसंधान के अन्य क्षेत्रों में, जैसे नई बैटरी सामग्री की खोज, में भी लागू किया जा सकता है। 

शोध को विस्तृत करने वाले वैज्ञानिक पत्र में कहा गया है कि उच्च जटिलता वाले विशिष्ट ऑप्टोइलेक्ट्रॉनिक उपकरणों के लिए अनुकूलित कार्बनिक अणुओं का इनवर्स डिज़ाइन अपार संभावनाएँ रखता है जो अभी तक साकार नहीं हुई हैं। शोध परिणामों के आने से पहले मौजूद मॉडल बड़े डेटा सेटों पर निर्भर थे, जो आमतौर पर विशेष शोध क्षेत्रों के लिए उपलब्ध नहीं होते थे।

शोधकों ने एक बंद-लूप कार्यप्रवाह प्रदर्शित किया जिसमें कार्बनिक अर्धचालकों की हाई-थ्रूपुट सिंथेसिस को बड़े डेटा सेट बनाने और बायेसियन ऑप्टिमाइज़ेशन के साथ मिलाकर सौर कोशिका अनुप्रयोगों के लिए अनुकूलित गुणों वाले नए होल-ट्रांसपोर्टिंग सामग्री की खोज की गई। भविष्यवाणी मॉडल आणविक वर्णकों पर आधारित थे, जिससे वैज्ञानिक इन सामग्रियों की संरचना को उनके प्रदर्शन से जोड़ सके। 

समग्र रूप से, शोध ने न्यूनतम सुझावों से लेकर एक श्रृंखला के उच्च-प्रदर्शन अणुओं की पहचान की, जिससे परवोस्काइट सौर कोशिकाओं में अधिकतम 26.2% (प्रमाणित 25.9%) पावर रूपांतरण दक्षता हासिल की जा सकी।

जबकि शोध टीम द्वारा हासिल किए गए परिणामों की वैज्ञानिक व्याख्या बहुत तकनीकी लग सकती है, दर्द बिंदुओं और समाधान कैसे सामने आए, इसे समझने के आसान तरीके भी हैं।

एक मिलियन विभिन्न अणुओं में से यह पता लगाने का काम कि कौन-से धनात्मक चार्ज ले जा सकते हैं और परवोस्काइट सौर कोशिकाओं को विशेष रूप से कुशल बनाते हैं, सभी को संश्लेषित और परीक्षण करने की आवश्यकता होती। AI के उपयोग ने इस बोझिल कार्य को कम किया, क्योंकि KIT के नैनोटेक्नोलॉजी संस्थान में सामग्री विज्ञान में AI अनुप्रयोगों में विशेषज्ञता रखने वाले टेन्योर-ट्रैक प्रोफेसर पास्कल फ्राइडरिच, और हेल्महोल्ट्ज इंस्टीट्यूट एर्लेंगन-न्यूरनबर्ग (HI ERN) के प्रोफेसर क्रिस्टोफ़ ब्राबेक के नेतृत्व में शोधकों की टीम ने एक AI मॉडल को तैनात किया जो न्यूनतम प्रयासों के साथ उनका उद्देश्य पूरा कर सके।

ब्राबेक के अनुसार:

“केवल 150 लक्षित प्रयोगों के साथ, हमने एक ऐसी सफलता हासिल की जो अन्यथा सैकड़ों हजारों परीक्षणों की आवश्यकता होती।”

शोधकों का मानना था कि उन्होंने जो कार्यप्रवाह विकसित किया है, वह विभिन्न अनुप्रयोगों के लिए उच्च-प्रदर्शन सामग्री को तेज़ी और आर्थिक रूप से खोजने के नए तरीके खोल सकता है। 

लेकिन शोधकों ने यह कैसे हासिल किया? आइए थोड़ा और गहराई से देखें!

आणविक डेटा के साथ AI का प्रशिक्षण

यह सब हेल्महोल्ट्ज इंस्टीट्यूट एर्लेंगन-न्यूरनबर्ग (HI ERN) में शुरू हुआ, जहाँ लगभग एक मिलियन वर्चुअल अणुओं के संरचनात्मक सूत्रों का डेटाबेस था, जिन्हें व्यावसायिक रूप से उपलब्ध पदार्थों से संश्लेषित किया जा सकता था। शोधकों ने इन वर्चुअल अणुओं में से यादृच्छिक रूप से 13,000 चुने। इन अणुओं के ऊर्जा स्तर, ध्रुवीयता, ज्यामिति और अन्य गुणों को निर्धारित करने के लिए KIT के शोधकों ने स्थापित क्वांटम मैकेनिकल विधियों का उपयोग किया। 

13,000 में से 101 अणुओं का चयन उनके आणविक गुणों की विविधता के आधार पर किया गया। दूसरे शब्दों में, वैज्ञानिकों ने इन 101 को उनके गुणों में सबसे बड़े अंतर के आधार पर चुना।

इसके बाद, वैज्ञानिकों ने इन अणुओं को रोबोटिक सिस्टम के माध्यम से संश्लेषित किया ताकि सौर कोशिकाएँ बनाई जा सकें जो अन्यथा समान थीं। इन सौर कोशिकाओं की दक्षता को मापना इस शोध का सबसे महत्वपूर्ण पहलुओं में से एक था।

इस दक्षता मूल्यांकन के बारे में बात करते हुए, ब्राबेक ने कहा:

“हमारे अत्यधिक स्वचालित संश्लेषण प्लेटफ़ॉर्म के कारण वास्तव में तुलनीय नमूने बनाना संभव हुआ, और इस प्रकार विश्वसनीय दक्षता मान निर्धारित करना हमारी रणनीति की सफलता के लिए महत्वपूर्ण था।”

शोधकों द्वारा प्रशिक्षित और विकसित AI मॉडल ने 48 अन्य अणुओं को संश्लेषित करने की सिफ़ारिश की। ये सिफ़ारिशें दो मानदंडों पर आधारित थीं:

• उच्च अपेक्षित दक्षता
• अप्रत्याशित गुण

AI की सिफ़ारिशों ने सकारात्मक परिणाम दिए। AI द्वारा सुझाए गए अणुओं ने औसत से अधिक दक्षता वाली सौर कोशिकाएँ बनाने में सक्षम बनाया। इनमें से कुछ आज की सबसे उन्नत सामग्रियों की क्षमताओं को भी पार कर सकते हैं। 

परिणाम ने शोधकों को उनके AI तैनाती के निर्णय में आश्वस्त किया। उपलब्धियों का मूल्यांकन करते हुए, फ्राइडरिच ने कहा:

“हम यह सुनिश्चित नहीं कर सकते कि हमने वास्तव में एक मिलियन अणुओं में से सबसे अच्छा पाया है, लेकिन हम निश्चित रूप से इष्टतम के करीब हैं।”

AI का तैनाती वास्तव में उत्साहजनक थी, क्योंकि इससे शोधकों को सुझाए गए अणुओं की समझ मिली। AI की सिफ़ारिशें कुछ रासायनिक समूहों, जैसे अमीन, की उपस्थिति पर आधारित थीं, जिन्हें रसायनविदों ने पहले अनदेखा किया था। इन अनदेखे रासायनिक समूहों को उजागर करना AI के तैनाती का एक महत्वपूर्ण सकारात्मक परिणाम था।

व्यापक रूप से, सौर प्रौद्योगिकी को आगे बढ़ाने के लिए AI का उपयोग नया नहीं है। अंतर्राष्ट्रीय नवीकरणीय ऊर्जा एजेंसी ने एक व्यापक अध्ययन किया कि AI अनुप्रयोग नवीकरणीय ऊर्जा एकीकरण प्रक्रियाओं, विशेषकर पवन और सौर ऊर्जा से संबंधित, को कैसे सुधार सकते हैं। 

अगले भाग में, हम रिपोर्ट के कुछ अंतर्दृष्टियों को देखेंगे ताकि यह समझ सकें कि AI सौर प्रौद्योगिकी में कैसे प्रभावी हो सकता है। 

सौर प्रौद्योगिकी को आगे बढ़ाने में AI के विविध अनुप्रयोग

AI सौर प्रौद्योगिकी को अधिक कुशल बना सकता है, क्योंकि यह बेहतर नवीकरणीय ऊर्जा उत्पादन पूर्वानुमान उत्पन्न करने में मदद करता है। बिग डेटा और AI सटीक पावर उत्पादन पूर्वानुमान बना सकते हैं, जिससे ग्रिड में बहुत अधिक नवीकरणीय ऊर्जा को एकीकृत करना संभव हो जाता है। रिपोर्ट IBM का उदाहरण देती है, जिसने 2015 में US Department of Energy की SunShot Initiative के साथ काम करते हुए सौर पूर्वानुमान में 30% सुधार दिखाया। 

स्व-शिक्षण मौसम मॉडल और नवीकरणीय उत्पादन पूर्वानुमान तकनीक ने बड़े ऐतिहासिक डेटा सेट और वास्तविक समय माप को स्थानीय मौसम स्टेशन, सेंसर नेटवर्क, उपग्रह, और आकाश छवि कैमरों से एकीकृत किया।

सिस्टम ऑपरेटर भी सटीक अल्पकालिक पूर्वानुमान से लाभ उठा सकते हैं, जिससे यूनिट कमिटमेंट में सुधार, डिस्पैच दक्षता बढ़े, विश्वसनीयता समस्याएँ घटें, और सिस्टम में आवश्यक ऑपरेटिंग रिज़र्व कम हो।  

रिपोर्ट ने दो परियोजनाओं को उजागर किया। एक था EWeLiNE, एक जर्मन शोध परियोजना जिसने 2017 में मशीन लर्निंग सॉफ़्टवेयर का उपयोग किया। दूसरा था Gridcast, इसका अनुवर्ती। दोनों ने AI का उपयोग करके पावर उत्पादन की भविष्यवाणी की। उन्होंने सौर सेंसर, पवन टरबाइन, और मौसम पूर्वानुमान से डेटा निकाला। इससे बर्बाद पावर कम करने में मदद मिली।

AI ग्रिड स्थिरता और विश्वसनीयता बनाए रखने में भी महत्वपूर्ण भूमिका निभा सकता है। चार कंपनियां (Adaptricity, AEK, Alpiq, और Landis+Gyr (LAND.SW )), साथ ही Canton of Solothurn, एक पायलट प्रोजेक्ट SoloGrid में परीक्षण कर रही हैं कि AI समाधान भविष्य की ग्रिड स्थिरता कैसे सुनिश्चित कर सकते हैं और महंगे ग्रिड विस्तार में निवेश को कम कर सकते हैं। 

यह देखा गया कि AI मौजूदा लाइनों का बेहतर उपयोग करके मौसम स्थितियों के आधार पर पावर ग्रिड की क्षमता बढ़ा सकता है और नई लाइनों की आवश्यकता को कम कर सकता है। बड़े मात्रा में मौसम डेटा का उपयोग करने वाले AI-आधारित सिस्टम मौजूदा पावर ग्रिड के इष्टतम उपयोग को सुनिश्चित कर सकते हैं, जिससे किसी भी समय मौसम स्थितियों के अनुसार संचालन को अनुकूलित किया जा सके, और इस प्रकार भीड़भाड़ कम हो।

AI पावर सिस्टम में सुरक्षा, विश्वसनीयता और दक्षता को भी सुधार सकता है, स्वचालित रूप से व्यवधानों का पता लगाकर। AI मॉडल, जो सामान्य सिस्टम आउटेज के उदाहरणों से प्रशिक्षित होते हैं, धीरे-धीरे सामान्य संचालन डेटा को परिभाषित सिस्टम खराबियों से अलग कर सकते हैं और सटीक रूप से वर्गीकृत कर सकते हैं। परिणामस्वरूप, एल्गोरिद्म 20–50 मिलीसेकंड के भीतर एक विसंगति या दोष की उपस्थिति, प्रकार और स्थान का निर्णय ले सकता है, जिससे उपयुक्त पूर्ण स्वचालित प्रतिकार उपाय लागू करने के लिए पर्याप्त समय मिल जाता है।

AI सौर प्रौद्योगिकी को मांग पूर्वानुमान में सुधार करके भी बढ़ा सकता है। रिपोर्ट ने एक उदाहरण दिया: BeeBryte, एक फ्रेंच स्टार्टअप। यह AI का उपयोग करके भवन की थर्मल ऊर्जा मांग की भविष्यवाणी करता है। इससे यह सही समय पर ही हीटिंग और कूलिंग उत्पन्न कर सकता है। ग्राहक एक संचालन तापमान सीमा सेट कर सकते हैं, और AI इसे स्थिर रखता है। इससे उपयोगिता बिलों में 40% तक की बचत हुई।

AI ने स्टोरेज यूनिटों की आयु भी बढ़ाई। इसने भविष्यवाणी तर्क का उपयोग करके चार्जिंग और डिस्चार्ज को अनुकूलित किया। रिपोर्ट ने Athena का उल्लेख किया, जो कैलिफ़ोर्निया स्थित कंपनी Stem द्वारा विकसित AI सिस्टम है। यह ऊर्जा उपयोग को मैप करता है और ऊर्जा दरों में उतार-चढ़ाव को ट्रैक करता है। इससे ग्राहक स्टोरेज का अधिक कुशल उपयोग कर सकते हैं।

नवाचारपूर्ण और चतुर स्टार्टअप्स के अलावा, कई बड़ी कंपनियों ने भी AI का उपयोग करके सौर प्रौद्योगिकी अनुप्रयोगों को आगे बढ़ाया है। आने वाले भागों में, हम दो ऐसी कंपनियों और उन्होंने AI को कैसे लागू किया, इस पर चर्चा करेंगे। 

1. Google

Google अपने DeepMind AI सिस्टम का उपयोग अपने सौर फार्मों के आउटपुट की भविष्यवाणी करने के लिए करता है, जिससे सटीक पूर्वानुमान मिलते हैं जो ऊर्जा खपत को अनुकूलित करने और लागत घटाने में मदद करते हैं। एक रिपोर्ट के अनुसार, इसने एक Google डेटा सेंटर में कूलिंग के लिए उपयोग की जाने वाली ऊर्जा को 40% तक कम किया (कुल पावर उपयोग में 15% की कमी) केवल डेटा सेंटर के भीतर के ऐतिहासिक सेंसर डेटा (जैसे तापमान, पावर, पंप स्पीड, सेटपॉइंट) का उपयोग करके ऊर्जा दक्षता में सुधार किया। AI सिस्टम अगले घंटे के लिए डेटा सेंटर के भविष्य के तापमान और दबाव की भविष्यवाणी करता है और यह सुझाव देता है कि उपभोग को चालू या बंद किया जाए।

अपनी सफलता से प्रेरित होकर, कंपनी ने इन नवाचारों को अगले स्तर पर ले गया, जहाँ इसके सुझावों को लोगों द्वारा लागू करने के बजाय, AI सिस्टम ने सीधे डेटा सेंटर कूलिंग को नियंत्रित किया, जबकि डेटा सेंटर ऑपरेटरों की विशेषज्ञ निगरानी बनी रही।

2015 में, Google ने प्रोजेक्ट सनरूफ लॉन्च किया ताकि गृहस्वामियों को उनके सौर बचत संभावनाओं का अनुमान लगाया जा सके। इस परियोजना से प्राप्त विशेषज्ञता के आधार पर, कंपनी ने 2023 में एक नया सोलर API टूल जारी किया। इसने मैपिंग और कंप्यूटिंग संसाधनों का उपयोग करके 40 देशों में 320 मिलियन से अधिक इमारतों, जिसमें US, फ्रांस, और जापान शामिल हैं, के लिए विस्तृत रूफ़टॉप सौर संभावनाओं का डेटा प्रदान किया।

Google ने अपने AI मॉडल को एरियल इमेजरी से सीधे रूफ़ की ज्यामिति की 3D जानकारी निकालने के लिए प्रशिक्षित किया, साथ ही पेड़ों और छाया के विवरण भी, जबकि सोलर API ने क्षेत्र में ऐतिहासिक मौसम पैटर्न, ऊर्जा लागत आदि जैसे कारकों को ध्यान में रखा। लक्ष्य यह है कि सौर इंस्टालर बिना साइट पर जाए, सौर संभावनाओं और लागतों को समझ सकें। 

29 अक्टूबर, 2024 को, Alphabet Inc. (GOOG ) ने अपने त्रैमासिक वित्तीय परिणाम की घोषणा की, जो 30 सितंबर, 2024 को समाप्त हुए। Q3 2024 में Alphabet की समेकित राजस्व में 15% की वृद्धि हुई, या स्थिर मुद्रा में 16% की वृद्धि, जो पिछले वर्ष की तुलना में $88.3 बिलियन तक पहुंची, जो व्यवसाय में मजबूत गति को दर्शाता है। 

2. GE

2023 में, GE Vernova (GEV ) ने Fleet Orchestration नामक नया सॉफ़्टवेयर लॉन्च किया, जो AI और मशीन लर्निंग का उपयोग करके पावर यूटिलिटीज़ को नवीकरणीय ऊर्जा के उपयोग को अधिकतम करने में मदद करता है।

समाधान और लाभों के बारे में बात करते हुए, Linda Rae, जो GE Vernova के डिजिटल व्यवसाय में पावर जनरेशन और तेल व गैस के जनरल मैनेजर हैं, ने कहा:

“पवन और सौर जैसी नवीकरणीय ऊर्जा ऊर्जा संक्रमण में महत्वपूर्ण भूमिका निभाती हैं। वे जीवाश्म ईंधनों पर निर्भरता को कम करने में मुख्य हैं। चुनौती यह है कि ये ऊर्जा स्रोत स्वाभाविक रूप से परिवर्तनशील होते हैं — पवन हमेशा नहीं चलता, और सूर्य हमेशा नहीं चमकता। लेकिन लोग हमेशा स्विच ऑन करने पर लाइट जलाने की उम्मीद रखते हैं। यह वह जगह है जहाँ सॉफ़्टवेयर समाधान, जैसे Fleet Orchestration, पावर कंपनियों के लिए इस अनिश्चितता को कम कर सकते हैं, जिससे उन्हें ग्रिड स्थिरता सुनिश्चित करने का भरोसा मिलता है, साथ ही उत्सर्जन को घटाते हुए।”

ISO न्यू इंग्लैंड द्वारा जारी एक अध्ययन के अनुसार, रिज़र्व मार्जिन को 2040 तक 15% से 300% तक बढ़ाने की आवश्यकता हो सकती है ताकि 56% नवीकरणीय उपयोग हासिल किया जा सके। GE मानता है कि उसके सॉफ़्टवेयर की क्षमता उचित मार्जिन सेट करने में मदद करने की, जो पावर सिस्टम को तनाव के समय विश्वसनीय बनाए रखने के लिए अतिरिक्त संसाधनों की मात्रा है, सही समय पर आती है।

एक सप्ताह पहले,  GE Vernova ने अपने चौथे तिमाही के वित्तीय परिणाम और 31 दिसंबर, 2024 को समाप्त पूर्ण वर्ष की घोषणा की। कंपनी ने पूर्ण वर्ष की राजस्व $34.9 बिलियन, +5%, +7% की रिपोर्ट की, जो इलेक्ट्रिफिकेशन और पावर द्वारा जैविक रूप से संचालित था। 

भविष्य में AI और सौर प्रौद्योगिकी हाथ में हाथ मिलाकर चलेंगे

सौर प्रौद्योगिकी प्रणाली के लिए अधिक उपयोगी बनने के लिए, AI को भविष्य में कुछ कदम उठाने होंगे। पहले, उपयोगी डेटा एकत्र करने के लिए एक मजबूत तंत्र होना चाहिए। अगला कदम डेटा को प्रभावी ढंग से संचालन योग्य बनाने के लिए सही ढंग से संरचित करने में शामिल है। तीसरे, यह सुनिश्चित करना होगा कि विभिन्न डेटा सेट प्रभावी रूप से संवाद कर सकें और मूल्य प्रदान कर सकें। अंत में, AI मॉडल को अधिकतम प्रदर्शन देने के लिए अनुकूलित और फाइन-ट्यून किया जाना चाहिए। 

टॉप सोलर स्टॉक्स में निवेश करने के लिए यहाँ क्लिक करें।

अध्ययन संदर्भ:

^{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). Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}