AIがかつてないほど迅速に太陽光技術の進歩に活用されている

太陽電池とパネルの市場は急速に進展しています。公開されている推計によると、2023年の世界の太陽パネルの市場価値は約US$82億で、予測では2031年にUS$2600億に達するとされています。8年間で3倍以上の成長です。

太陽光パネルの進歩は、太陽パネルの根本的な構成要素である太陽電池の改良に依存しています。パネルは単結晶または多結晶シリコン太陽電池をはんだ付けし、反射防止ガラスカバーで密封したものです。確かに、太陽技術のあらゆる進歩は太陽電池の改良にかかっています。次のセグメントでそのような画期的な成果の一つを取り上げます。

機械学習を活用してペロブスカイト太陽電池用新規半導体分子の探索を加速する

カールスルーエ工科大学（Karlsruhe Institute of Technology）の研究者たちが、国際チームの一員として、ペロブスカイト太陽電池の効率を向上させる有機分子^1.を新たに発見しました。ミッション達成のため、研究チームはAIと自動化されたハイスループット合成を組み合わせたインテリジェントな手法を用いました。この報告は、研究成果がバッテリー材料の探索など他の材料研究分野にも応用可能であることを強調しています。

研究を詳細に記した論文は、特定の高度な光電子デバイス向けに設計された有機分子の逆設計が、未だ実現されていない巨大な可能性を秘めていると述べています。研究結果が出る以前に存在したモデルは、専門的な研究分野では一般に存在しない大規模データセットに依存していました。

研究者たちは、ハイスループットで有機半導体を合成し大規模データセットを生成するワークフローと、ベイズ最適化を組み合わせて、太陽電池用途に特化した新しいホール輸送材料を発見する閉ループワークフローを実証しました。予測モデルは、材料構造と性能を結びつける分子記述子に基づいていました。

結果として、研究は最小限の提案から一連の高性能分子を特定し、ペロブスカイト太陽電池で最大26.2%（認定値25.9%）の変換効率を達成することができました。

研究チームが達成したことの科学的説明は技術的に難解に思えるかもしれませんが、課題と解決策を理解しやすくする方法もあります。

100万種類以上の分子の中から、正孔を輸送しペロブスカイト太陽電池を特に効率的にする分子を見つけ出すには、すべてを合成・テストする必要があります。AIの導入により、この膨大な負荷が大幅に削減されました。KITのナノテクノロジー研究所で材料科学におけるAI応用を専門とするテニュアトラック教授パスカル・フリードリッヒと、ヘルムホルツ・インスティテュート・エアランゲン＝ニュルンベルク（HI ERN）のクリストフ・ブラベック教授が率いる研究チームは、最小限の試行で目的を達成するAIモデルを展開しました。

ブラベック氏の言葉：

「たった150件のターゲット実験で、何十万件ものテストが必要だったであろうブレークスルーを実現できました」

研究者たちは、開発したワークフローが幅広い応用分野で高性能材料を迅速かつ経済的に発見する新たな道を切り開くと考えています。

では、研究者たちはどのようにしてこの成果を得たのでしょうか？もう少し掘り下げてみましょう！

分子データでAIを訓練する

すべてはヘルムホルツ・インスティテュート・エアランゲン＝ニュルンベルク（HI ERN）で、約100万の仮想分子の構造式データベースから始まりました。これらは市販の物質から合成可能です。研究者はその中からランダムに13,000個を選択し、エネルギーレベル、極性、ジオメトリなどの特性を量子力学的手法で評価しました。

13,000個から101個の分子を選択した基準は、分子特性の多様性でした。言い換えれば、特性が最も異なる101個を選んだということです。

その後、研究者はロボットシステムでこれらの分子を合成し、ほぼ同一の太陽電池を作製しました。これら太陽電池の効率測定は本研究の最重要課題の一つでした。

この効率評価について、ブラベック氏は次のように語っています：

「高度に自動化された合成プラットフォームのおかげで真に比較可能なサンプルを作成でき、信頼できる効率値を測定できたことが、戦略の成功にとって決定的でした」

研究者が訓練・開発したAIモデルは、さらに48種の合成候補分子を提示しました。これらの推奨は以下の2つの基準に基づいています：

• 高い期待効率
• 予測できない特性

AIの推奨は好結果をもたらしました。AIが示した分子により、平均以上の効率を持つ太陽電池が作製できました。その中には、現在最先端の材料をも上回るものもありました。

結果は、AI導入の判断が正しかったことを研究者に再確認させました。成果を評価する際、フリードリッヒ氏は次のように述べました：

「100万分子の中で本当に最良のものを見つけたかは確信できませんが、最適解にかなり近づいたと言えます」

AIの導入は非常に励みになり、研究者はAIが提示した分子の背後にある洞察を得ることができました。AIの提案は、化学者が以前見落としていたアミンなど特定の官能基の存在に部分的に基づいており、これらの見落とされた官能基を浮き彫りにしたことは、AI導入の大きなプラス成果でした。

広く見れば、AIを活用して太陽光技術を進める試みは新しいものではありません。国際再生可能エネルギー機関（International Renewable Energy Agency）は、AI応用が再生可能エネルギー、特に風力と太陽光の統合プロセスをどのように改善できるかについて大規模な調査を実施しました。

次のセグメントでは、レポートの洞察をいくつか取り上げ、AIが太陽光技術にどのように効果的に活用できるかを包括的に概観します。

AIの多様な応用で太陽光技術を前進させる

AIは、再生可能エネルギーの発電予測を改善することで、太陽光技術の効率向上に貢献できます。ビッグデータとAIは、正確な発電予測を可能にし、電網への再生可能エネルギーの統合を大幅に拡大できるようになります。レポートは、IBMが2015年に米国エネルギー省のSunShotイニシアチブと協働し、太陽光予測を30％改善した事例を挙げています。

自己学習型天候モデルと再生可能エネルギー予測技術は、過去データとリアルタイム測定を組み合わせ、ローカルの気象観測所、センサーネットワーク、衛星、空撮カメラからの情報を統合しています。

系統運用者は、正確な短期予測によりユニットコミットメントが改善され、ディスパッチ効率が向上し、信頼性問題が減少し、システムが必要とする運転予備力も削減できます。

レポートは2つのプロジェクトを強調しています。1つは2017年に終了したドイツの研究プロジェクトEWeLiNEで、機械学習ソフトウェアを使用しました。もう1つはその後継であるGridcastです。両プロジェクトはAIを用いて発電量を予測し、太陽光センサー、風力タービン、天候予報からデータを取得して、無駄な電力を削減しました。

AIは電網の安定性と信頼性の維持にも重要な役割を果たします。Adaptricity、AEK、Alpiq、Landis+Gyr (LAND.SW ) の4社が、ソロトゥルン州と共同で、AIソリューションが将来の電網安定性を確保し、高額な電網拡張投資を最小化できるかをテストするPilotプロジェクト「SoloGrid」を実施しています。

AIは天候条件に基づき既存の送電線をより有効活用することで、送電線の容量を増やし新規送電線の必要性を減らすことができると見込まれています。大量の天候データを活用したAIシステムは、常時天候に応じて電網の運用を最適化し、渋滞を減少させます。

AIはシステム障害を自動検知することで、電力システムの安全性、信頼性、効率を向上させます。典型的なシステム停止例で訓練されたAIモデルは、正常運転データと定義されたシステム障害を徐々に区別し、正確に分類できるようになります。その結果、アルゴリズムは異常や故障の有無、種類、位置を20〜50ミリ秒以内に判断し、完全自動の対策を実施するための十分な時間を確保します。

AIは需要予測の改善でも太陽光技術を後押しします。レポートはフランスのスタートアップBeeBryteを例に挙げ、AIが建物の熱エネルギー需要を予測し、適切なタイミングで暖房・冷房を供給できるようにしたと述べています。顧客は運転温度範囲を設定でき、AIがそれを一定に保つことで、光熱費を最大40％削減しました。

AIは蓄電ユニットの寿命延長にも貢献しています。カリフォルニア拠点の企業Stemが開発したAIシステムAthenaは、予測ロジックで充放電を最適化し、エネルギー使用量をマッピングし、エネルギー料金の変動を追跡することで、顧客が蓄電をより効率的に利用できるようにしました。

革新的で独創的なスタートアップだけでなく、複数の大手企業もAIを活用して太陽光技術の応用を進めています。次のセグメントでは、そうした企業2社と、AIをどのように太陽光技術の前進に活かしたかを取り上げます。

1. Google

Googleは、DeepMind AIシステムを用いて自社の太陽光発電所の出力を予測し、正確な予測でエネルギー消費の最適化とコスト削減を実現しています。ある報告では、Googleデータセンターの冷却に使用するエネルギーを40％削減（全体の電力使用量は15％削減）したとされており、データセンター内部の歴史的センサーデータ（温度、電力、ポンプ速度、設定値など）だけでエネルギー効率を向上させました。AIシステムは次の1時間のデータセンターの温度と圧力を予測し、消費をオンにすべきかオフにすべきかの推奨を提示します。

この成功に触発され、Googleは人が推奨を実行するのではなく、AIシステムが直接データセンターの冷却を制御し、データセンター運用者の専門的監督下で動作させるという次のレベルへとイノベーションを進めました。

2015年にGoogleはProject Sunroofを立ち上げ、住宅所有者が太陽光の節約可能性を見積もることを支援しました。その経験を活かし、2023年に新しいSolar APIツールをリリースしました。このツールはマッピングと計算リソースを活用し、米国、フランス、日本を含む40か国の3億2000万以上の建物の屋根太陽光潜在データを提供します。

GoogleはAIモデルを訓練し、航空画像から屋根形状の3D情報や樹木・影の情報を抽出し、Solar APIは地域の過去天候パターン、エネルギーコストなどの要因も考慮します。これにより、太陽光設置業者は現地に足を運ぶ前に太陽光の潜在性とコストを把握できるようになります。

2024年10月29日、Alphabet Inc. (GOOG ) は2024年第3四半期の決算結果を発表しました。2024年9月30日で終了した四半期の連結売上高は前年同期比15％増（一定為替ベースで16％増）の883億米ドルで、事業全体で強い勢いが続いています。

2. GE

2023年、GE Vernova (GEV ) はFleet Orchestrationという新しいソフトウェアを発売し、AIと機械学習を活用して電力ユーティリティが再生可能エネルギーの利用を最大化できるよう支援しています。

このソリューションの利点について語る際、GE Vernovaのデジタル事業部門で電力生成と石油・ガスのゼネラルマネージャーを務めるリンダ・レイは次のように述べました：

「風力や太陽光といった再生可能エネルギーはエネルギー転換において重要な役割を果たしています。化石燃料への依存を減らす鍵です。しかし、これらのエネルギーは本質的に変動的です――風は常に吹くわけではなく、太陽は常に照っているわけではありません。それでも人々はスイッチを入れたらすぐに電灯が点くことを期待します。ここでFleet Orchestrationのようなソフトウェアソリューションが、電力会社がこの不確実性を減らし、グリッドの安定性を確保しつつ排出量を削減する自信を提供できるのです」

ISO New Englandが公表した調査によると、2040年までに再生可能エネルギー利用率を56％に達成するためには、予備余裕率を15％から300％に引き上げる必要があるとされています。GEは、ソフトウェアが適切な余裕率設定を支援できることが、まさに今求められていると考えています。

先週、GE Vernovaは2024年第4四半期および通年の決算結果を発表し、通年売上高は349億米ドルで、5％増、7％増の有機的成長を示し、主に電化と電力部門が牽引しました。

AIと太陽光技術は将来手を取り合って歩む

太陽光技術がより有用になるためには、将来AIがいくつかのステップを踏む必要があります。まず有用なデータを収集するための堅牢なメカニズムが必要です。次に、そのデータを適切に構造化し、実用化する効率的な運用が求められます。さらに、異なるデータセットが効果的に連携し価値を提供できるようにする必要があります。最後に、AIモデルを最適化・微調整し、最大の性能を引き出すことが求められます。

こちらをクリックすると、投資対象としてのトップ太陽光株リストが表示されます。

研究参考：

^{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). 逆設計ワークフローがペロブスカイト太陽電池向けに特化したホール輸送材料を発見する。Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}