L’IA viene utilizzata per far progredire la tecnologia solare più rapidamente che mai

Il mercato delle celle solari e dei pannelli sta avanzando rapidamente. Secondo le stime disponibili pubblicamente, il valore di mercato dei pannelli solari a livello mondiale era di circa US$82 miliardi nel 2023 e si prevede di raggiungere US$260 miliardi nel 2031, una crescita di oltre tre volte in otto anni.

Il progresso del solare dipende dai miglioramenti delle celle solari, i componenti fondamentali dei pannelli solari. I pannelli sono realizzati con celle solari di silicio monocristalline o policristalline saldate insieme e sigillate sotto una copertura di vetro antiriflesso. Indubbiamente, qualsiasi progresso nella tecnologia solare dipende dai miglioramenti delle celle solari. Discuteremo di una di queste innovazioni nel segmento successivo.

Utilizzo del Machine Learning per accelerare la ricerca di nuove molecole semiconduttori per celle solari perovskite

I ricercatori del Karlsruhe Institute of Technology, lavorando come parte di un team internazionale, hanno potuto trovare nuove molecole organiche che aumentavano l’efficienza delle celle solari perovskite^1. Nel raggiungere la loro missione, il team di ricercatori ha utilizzato una combinazione intelligente di IA e sintesi automatizzata ad alta produttività. Come evidenziato nel rapporto, la ricerca è compatibile con applicazioni in altri ambiti della ricerca sui materiali, inclusa la ricerca di nuovi materiali per batterie. 

Il documento scientifico che dettaglia la ricerca afferma che la progettazione inversa di molecole organiche su misura per dispositivi optoelettronici specifici di alta complessità possiede un enorme potenziale ancora non realizzato. I modelli esistenti prima della pubblicazione dei risultati della ricerca si basavano su grandi set di dati che generalmente non esistevano per i campi di ricerca specializzati.

I ricercatori hanno dimostrato un flusso di lavoro a ciclo chiuso che combinava la sintesi ad alta produttività di semiconduttori organici per creare grandi set di dati e l’ottimizzazione bayesiana per scoprire nuovi materiali di trasporto dei buchi con proprietà su misura per le applicazioni nelle celle solari. I modelli predittivi si basavano su descrittori molecolari che permettevano agli scienziati di collegare la struttura di questi materiali alle loro prestazioni. 

Nel complesso, la ricerca ha potuto identificare una serie di molecole ad alte prestazioni a partire da suggerimenti minimi fino a raggiungere fino al 26,2% (certificato 25,9%) di efficienza di conversione energetica nelle celle solari perovskite.

Mentre la spiegazione scientifica di ciò che il team di ricerca ha ottenuto potrebbe sembrare troppo tecnica da comprendere, esistono modi più semplici per capire i punti critici e come le soluzioni sono emerse. 

Il compito di scoprire quale tra un milione di diverse molecole conducesse cariche positive e rendesse le celle solari perovskite particolarmente efficienti richiederebbe di sintetizzare e testare tutte. L’implementazione dell’IA ha aiutato a ridurre questo oneroso carico, poiché il team di ricercatori, guidato dal professor a tempo determinato Pascal Friederich, specializzato nelle applicazioni dell’IA nella scienza dei materiali presso l’Istituto di Nanotecnologia del KIT, e dal professor Christoph Brabec dell’Helmholtz Institute Erlangen-Nürnberg (HI ERN), ha impiegato un modello di IA per raggiungere il loro scopo con il minor numero possibile di tentativi.

Secondo Brabec:

“Con soli 150 esperimenti mirati, siamo riusciti a ottenere una svolta che altrimenti avrebbe richiesto centinaia di migliaia di test.”

I ricercatori credevano che il flusso di lavoro sviluppato potesse aprire nuove modalità per scoprire rapidamente ed economicamente materiali ad alte prestazioni per una vasta gamma di applicazioni. 

Ma come hanno fatto i ricercatori a raggiungere ciò che hanno ottenuto? Approfondiamo un po’ di più!

Addestrare l’IA con dati molecolari

Tutto è iniziato all’Helmholtz Institute Erlangen-Nürnberg (HI ERN), con un database pieno di formule strutturali per circa un milione di molecole virtuali che potevano essere sintetizzate da sostanze disponibili in commercio. I ricercatori hanno selezionato casualmente 13.000 di queste molecole virtuali. Per determinare i loro livelli energetici, polarità, geometria e altre proprietà, i ricercatori del KIT hanno utilizzato metodi quantistici consolidati. 

La selezione di 101 molecole su 13.000 è stata basata sulla diversità delle loro proprietà molecolari. In altre parole, gli scienziati hanno scelto queste 101 con le maggiori differenze nelle loro proprietà.

Successivamente, gli scienziati hanno sintetizzato queste molecole con sistemi robotici per produrre celle solari altrimenti identiche. Misurare l’efficienza di queste celle solari è stato uno degli aspetti più cruciali di questa ricerca.

Parlando di questa valutazione dell’efficienza, Brabec ha dichiarato:

“Essere in grado di produrre campioni veramente comparabili grazie alla nostra piattaforma di sintesi altamente automatizzata, e quindi poter determinare valori di efficienza affidabili, è stato cruciale per il successo della nostra strategia.”

Il modello di IA che i ricercatori hanno addestrato e sviluppato ha suggerito altre 48 molecole da sintetizzare. Queste raccomandazioni si basavano su due criteri:

• Elevata efficienza prevista
• Proprietà imprevedibili

La raccomandazione dell’IA ha prodotto risultati positivi. Le molecole suggerite dall’IA hanno reso possibile costruire celle solari con efficienza superiore alla media. Alcune di queste hanno persino superato le capacità dei materiali più avanzati di oggi. 

Il risultato ha rassicurato i ricercatori sulla loro decisione di impiegare l’IA. Mentre caratterizzavano il livello di risultato, Friedrich ha dichiarato:

“Non possiamo essere sicuri di aver davvero trovato la migliore tra un milione di molecole, ma siamo sicuramente vicini all’ottimo.”

L’implementazione dell’IA è stata davvero incoraggiante, poiché ha aiutato i ricercatori a ottenere approfondimenti sulle molecole suggerite. I suggerimenti dell’IA si basavano in parte sulla presenza di certi gruppi chimici, come le ammine, che i chimici avevano precedentemente trascurato. Evidenziare questi gruppi chimici trascurati è stato indubbiamente un risultato positivo significativo dell’impiego dell’IA.

In generale, l’uso dell’IA per far progredire la tecnologia solare non è nuovo. L’Agenzia Internazionale per le Energie Rinnovabili ha condotto uno studio approfondito su come le applicazioni dell’IA potrebbero migliorare i processi di integrazione delle energie rinnovabili, in particolare quelli che coinvolgono energia eolica e solare. 

Nel segmento successivo, esamineremo alcuni degli approfondimenti del rapporto per ottenere una panoramica completa di come l’IA potrebbe dimostrarsi efficace nella tecnologia solare. 

Applicazioni diverse dell’IA nell’avanzamento della tecnologia solare

L’IA può aiutare la tecnologia solare a diventare più efficiente generando previsioni migliorate della produzione di energia rinnovabile. I big data e l’IA potrebbero produrre previsioni accurate della generazione di energia, rendendo possibile integrare molta più energia rinnovabile nella rete. Il rapporto cita l’esempio di IBM, che nel 2015 è riuscita a mostrare un miglioramento del 30% nelle previsioni solari collaborando con l’iniziativa SunShot del Dipartimento dell’Energia degli Stati Uniti. 

Il modello meteorologico auto-apprendente e la tecnologia di previsione della generazione rinnovabile hanno sfruttato grandi set di dati storici e misurazioni in tempo reale integrate da stazioni meteorologiche locali, reti di sensori, satelliti e telecamere di immagini del cielo.

Gli operatori di sistema potrebbero anche trarne beneficio con previsioni a breve termine accurate, migliorando l’assegnazione delle unità, aumentando l’efficienza di dispatch, riducendo i problemi di affidabilità e diminuendo le riserve operative necessarie nel sistema.  

Il rapporto ha evidenziato due progetti. Uno era EWeLiNE, un progetto di ricerca tedesco che ha utilizzato software di machine learning e si è concluso nel 2017. L’altro era Gridcast, il suo seguito. Entrambi hanno usato l’IA per prevedere la generazione di energia. Hanno raccolto dati da sensori solari, turbine eoliche e previsioni meteorologiche. Questo ha contribuito a ridurre l’energia sprecata.

L’IA potrebbe anche svolgere un ruolo cruciale nel mantenimento della stabilità e dell’affidabilità della rete. Quattro aziende (Adaptricity, AEK, Alpiq e Landis+Gyr), insieme al Cantone di Solothurn, stanno testando come le soluzioni IA possano garantire la stabilità futura della rete e ridurre al minimo gli investimenti in costose espansioni della rete, in un progetto pilota chiamato SoloGrid. 

È stato osservato che l’IA potrebbe aumentare la capacità delle reti elettriche e ridurre la necessità di nuove linee sfruttando meglio le linee esistenti in base alle condizioni meteorologiche. I sistemi basati sull’IA, utilizzando grandi quantità di dati meteorologici, potrebbero garantire un uso ottimale delle reti elettriche esistenti adattando le operazioni alle condizioni meteorologiche in qualsiasi momento, riducendo così la congestione.

L’IA potrebbe anche migliorare la sicurezza, l’affidabilità e l’efficienza nei sistemi elettrici rilevando automaticamente le perturbazioni. I modelli IA, addestrati con esempi di tipiche interruzioni di sistema, potrebbero gradualmente imparare a distinguere — e categorizzare con precisione — i dati di funzionamento normale da malfunzionamenti di sistema definiti. Di conseguenza, l’algoritmo potrebbe prendere decisioni in frazioni di secondo sulla presenza di un’anomalia o guasto, nonché sul suo tipo e posizione. In modo più specifico, l’algoritmo potrebbe arrivare a una decisione entro 20–50 ms, fornendo tempo sufficiente per implementare le contromisure completamente automatizzate appropriate.

L’IA potrebbe anche potenziare la tecnologia solare migliorando la previsione della domanda. Il rapporto ha fornito un esempio: BeeBryte, una startup francese. Ha utilizzato l’IA per prevedere la domanda di energia termica di un edificio. Questo le consente di produrre riscaldamento e raffreddamento nei momenti giusti. I clienti possono impostare un intervallo di temperatura operativa, e l’IA lo mantiene costante. Ciò ha portato a risparmi fino al 40% sulle bollette energetiche.

L’IA ha anche aiutato a prolungare la durata delle unità di accumulo. Ha utilizzato logiche predittive per ottimizzare la carica e la scarica. Il rapporto ha menzionato Athena, un sistema IA sviluppato dalla società californiana Stem. Ha tracciato l’uso dell’energia e monitorato le fluttuazioni delle tariffe energetiche. Questo consente ai clienti di utilizzare lo stoccaggio in modo più efficiente.

Oltre a startup innovative e ingegnose, diverse grandi aziende hanno utilizzato l’IA per far progredire le applicazioni della tecnologia solare. Nei segmenti successivi, discuteremo di due di queste aziende e di come hanno applicato l’IA per far avanzare la tecnologia solare. 

1. Google (GOOGL )

Google è nota per l’uso dei suoi sistemi IA DeepMind per prevedere la produzione dei suoi impianti solari, fornendo previsioni accurate che aiutano a ottimizzare il consumo energetico e a ridurre i costi. Un rapporto suggerisce che ha ridotto l’energia utilizzata per il raffreddamento in un data center Google del 40% (una riduzione complessiva del 15% del consumo energetico) utilizzando solo dati storici dei sensori all’interno del data center (ad es. temperature, potenza, velocità delle pompe, setpoint) per migliorare l’efficienza energetica. Il sistema IA prevede la temperatura e la pressione future del data center per l’ora successiva e fornisce raccomandazioni su se attivare o disattivare il consumo.

Ispirata dal suo successo, l’azienda ha portato queste innovazioni al livello successivo, dove, invece di far implementare le sue raccomandazioni dalle persone, il sistema IA controllava direttamente il raffreddamento del data center rimanendo sotto la supervisione esperta degli operatori del data center.

Nel 2015, Google ha lanciato Project Sunroof per aiutare i proprietari di case a stimare il potenziale di risparmio solare. Basandosi sull’esperienza acquisita da quel progetto, l’azienda ha rilasciato un nuovo strumento Solar API nel 2023. Ha utilizzato risorse di mappatura e calcolo per fornire dati dettagliati sul potenziale solare dei tetti per più di 320 milioni di edifici in 40 paesi, inclusi gli Stati Uniti, la Francia e il Giappone.

Google ha addestrato il suo modello IA per estrarre informazioni 3D sulla geometria del tetto direttamente dalle immagini aeree, insieme a dettagli su alberi e ombreggiature, mentre il Solar API ha tenuto conto di fattori come i modelli meteorologici storici dell’area, i costi energetici e altro. L’obiettivo è consentire agli installatori solari di comprendere il potenziale solare e i costi prima di visitare un’area. 

Il 29 ottobre 2024, Alphabet Inc. ha annunciato i suoi risultati finanziari per il trimestre conclusosi il 30 settembre 2024. I ricavi consolidati di Alphabet nel Q3 2024 sono aumentati del 15%, o del 16% in valuta costante, anno su anno, a 88,3 miliardi di dollari, riflettendo un forte slancio in tutta l’azienda. 

2. GE (GE )

Nel 2023, GE Vernova ha lanciato Fleet Orchestration, un nuovo software che sfrutta IA e machine learning per aiutare le utilities energetiche a massimizzare l’uso di energia rinnovabile.

Mentre parlava dell’utilità e dei benefici che la soluzione poteva offrire, Linda Rae, direttrice generale della generazione di energia e del settore oil & gas per il business digitale di GE Vernova, ha dichiarato quanto segue:

“Le energie rinnovabili come vento e sole svolgono un ruolo importante nella transizione energetica. Sono fondamentali per ridurre la dipendenza del mondo dai combustibili fossili. La sfida è che queste fonti energetiche sono intrinsecamente variabili — il vento non soffia sempre, e il sole non splende sempre. Ma le persone si aspettano sempre che le loro luci si accendano quando azionano l’interruttore. Questo è dove soluzioni software, come Fleet Orchestration, possono aiutare a ridurre questa incertezza per le compagnie elettriche, fornendo loro la fiducia necessaria per garantire la stabilità della rete riducendo al contempo le emissioni.”

Secondo uno studio pubblicato da ISO New England, i margini di riserva potrebbero dover aumentare dal 15% al 300% entro il 2040 per raggiungere il 56% di utilizzo delle energie rinnovabili. GE ritiene che la capacità del suo software di aiutare nella definizione di margini appropriati — la quantità di risorse extra per mantenere i sistemi elettrici affidabili in periodi di stress — arrivi al momento giusto.

Una settimana fa,  GE Vernova ha pubblicato i suoi risultati finanziari per il quarto trimestre e l’intero anno conclusosi il 31 dicembre 2024. L’azienda ha riportato un fatturato annuale di $34.9B, +5%, +7%, guidato organicamente da Electrification e Power. 

IA e Tecnologia Solare Cammineranno Fianco a Fianco nel Futuro

Per diventare più utile per il settore della tecnologia solare, l’IA dovrà compiere alcuni passi in futuro. Dovrà esserci un meccanismo robusto per raccogliere dati utili. Il passo successivo coinvolgerà l’operazionalizzazione efficiente di tali dati strutturandoli correttamente per renderli azionabili. In terzo luogo, deve essere garantito che diversi set di dati comunichino efficacemente e forniscano valore. Infine, i modelli IA dovranno essere ottimizzati e perfezionati per offrire il massimo delle loro capacità. 

Clicca qui per un elenco delle principali azioni solari in cui investire.

Riferimento allo studio:

^{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}