Ginagamit ang AI upang Pabilisin ang Pag-unlad ng Teknolohiyang Solar nang Higit Pa sa Kailanman

Ang merkado para sa mga solar cell at panel ay mabilis na umuunlad. Ayon sa mga pampublikong magagamit na pagtatantiya, ang halaga ng merkado ng mga solar panel sa buong mundo ay nasa humigit-kumulang US$82 bilyon noong 2023 at ay tinatantya na maabot US$260 bilyon sa 2031, higit sa tatlong beses na paglago sa walong taon.

Ang pag-unlad ng solar na mga panel ay nakasalalay sa mga pagpapabuti sa mga solar cell, ang mga pangunahing sangkap ng mga solar panel. Ang mga panel ay ginawa mula sa monocrystalline o polycrystalline silicon solar cells na pinagdugtong-dugtong at tinakpan ng anti-reflective na salamin. Walang duda, anumang pag-unlad sa teknolohiyang solar ay nakadepende sa mga pagpapabuti sa mga solar cell. Tatalakayin natin ang isang ganitong breakthrough sa susunod na segment.

Pagpapatupad ng Machine Learning upang Pabilisin ang Paghahanap ng mga Bagong Molekula ng Semiconductor para sa Perovskite Solar Cells

Ang mga mananaliksik sa Karlsruhe Institute of Technology, na nagtatrabaho bilang bahagi ng isang internasyonal na koponan, ay nakahanap ng mga bagong organikong molekula na nagpataas ng kahusayan ng perovskite solar cells^1. Sa pagtamo ng kanilang misyon, ginamit ng pangkat ng mga mananaliksik ang isang matalinong kombinasyon ng AI at awtomatikong high-throughput synthesis. Bilang binigyang-diin ng ulat, ang pananaliksik ay maaaring ilapat sa iba pang larangan ng pananaliksik sa materyales, kabilang ang paghahanap ng mga bagong materyales para sa baterya.

Ang siyentipikong papel na naglalarawan ng pananaliksik ay nagsasaad na ang inverse design ng mga iniangkop na organikong molekula para sa mga tiyak na optoelectronic device na may mataas na komplikasyon ay may napakalaking potensyal na hindi pa natutupad. Ang mga modelo na umiiral bago lumabas ang resulta ng pananaliksik ay nakasalalay sa malalaking dataset na karaniwang hindi umiiral para sa mga espesyalisadong larangan ng pananaliksik.

Ipinakita ng mga mananaliksik ang isang closed-loop workflow na pinagsama ang high-throughput synthesis ng mga organikong semiconductor upang lumikha ng malalaking dataset at Bayesian optimization upang matuklasan ang mga bagong hole-transporting material na may iniangkop na katangian para sa mga aplikasyon ng solar cell. Ang mga predictive model ay batay sa mga molecular descriptor na nagbigay-daan sa mga siyentipiko na iugnay ang estruktura ng mga materyales sa kanilang pagganap.

Sa kabuuan, natukoy ng pananaliksik ang isang serye ng mga high-performance na molekula mula sa minimal na suhestiyon hanggang makamit ang hanggang 26.2% (certified 25.9%) na power conversion efficiency sa perovskite solar cells.

Bagaman ang siyentipikong paliwanag ng mga naabot ng pangkat ng pananaliksik ay maaaring tunog masyadong teknikal upang maunawaan, may mga mas madaling paraan upang maunawaan ang mga suliranin at kung paano lumitaw ang mga solusyon.

Ang gawain ng paghahanap kung aling milyong iba’t ibang molekula ang magdadala ng positibong karga at magpapataas ng kahusayan ng perovskite solar cells ay mangangailangan ng pagsintesis at pagsubok sa lahat ng ito. Ang paggamit ng AI ay nakatulong na bawasan ang napakahirap na gawain, dahil ang pangkat ng mga mananaliksik, pinamunuan ni Tenure-track Professor Pascal Friederich, na dalubhasa sa mga aplikasyon ng AI sa materyal na agham sa KIT’s Institute of Nanotechnology, at ni Professor Christoph Brabec mula sa Helmholtz Institute Erlangen-Nürnberg (HI ERN), ay nag-deploy ng AI model upang magsilbi sa kanilang layunin na may pinakamababang bilang ng pagsubok.

Ayon kay Brabec:

“Sa loob lamang ng 150 target na eksperimento, nagawa naming makamit ang isang breakthrough na kung hindi sana ay mangangailangan ng daan-daang libong pagsubok.”

Naniniwala ang mga mananaliksik na ang workflow na kanilang binuo ay maaaring magbukas ng mga bagong paraan upang mabilis at matipid na matuklasan ang mga high-performance na materyales para sa malawak na hanay ng mga aplikasyon.

Ngunit paano nagawa ng mga mananaliksik ang kanilang naabot? Tingnan natin nang mas malalim!

Pagsasanay ng AI Gamit ang Molecular Data

Nagsimula ito sa Helmholtz Institute Erlangen-Nürnberg (HI ERN), kung saan may database na puno ng mga structural formula para sa humigit-kumulang isang milyong virtual na molekula na maaaring isintesis mula sa mga komersyal na magagamit na sangkap. Pinili ng mga mananaliksik ang 13,000 nang random mula sa mga virtual na molekulang ito. Upang matukoy ang kanilang mga antas ng enerhiya, polarity, geometry, at iba pang katangian, ginamit ng mga mananaliksik ng KIT ang mga itinatag na quantum mechanical na pamamaraan.

Ang pagpili ng 101 molekula mula sa 13,000 ay batay sa pagkakaiba-iba ng kanilang mga molecular property. Sa ibang salita, pinili ng mga siyentipiko ang 101 na may pinakamalaking pagkakaiba sa kanilang mga katangian.

Pagkatapos, sinintesis ng mga siyentipiko ang mga molekulang ito gamit ang mga robotic system upang makagawa ng mga solar cell na halos magkapareho. Ang pagsukat ng kahusayan ng mga solar cell na ito ay isa sa mga pinakamahalagang aspeto ng pananaliksik na ito.

Sa pagsasalita tungkol sa pagsusuri ng kahusayan, sinabi ni Brabec:

“Ang kakayahang makagawa ng tunay na maihahambing na mga sample dahil sa aming lubos na awtomatikong synthesis platform, at sa gayon ay matukoy ang mapagkakatiwalaang mga halaga ng kahusayan, ay napakahalaga sa tagumpay ng aming estratehiya.”

Ang AI model na sinanay at binuo ng mga mananaliksik ay nagmungkahi ng 48 pang molekula na isintesis. Ang mga rekomendasyong ito ay batay sa dalawang pamantayan:

• Mataas na inaasahang kahusayan
• Hindi inaasahang mga katangian

Ang rekomendasyon ng AI ay nagbunga ng positibong resulta. Ang mga AI-suggested na molekula ay nagbigay-daan upang makabuo ng mga solar cell na may higit sa karaniwang kahusayan. Ang ilan sa mga ito ay maaaring lampasan pa ang kakayahan ng mga pinakabagong materyales sa kasalukuyan.

Pinagtibay ng mga mananaliksik ang kanilang desisyon na mag-deploy ng AI. Habang inilalarawan ang antas ng tagumpay, sinabi ni Friedrich:

“Hindi kami sigurado na nahanap namin talaga ang pinakamahusay sa isang milyong molekula, pero tiyak na malapit kami sa optimum.”

Ang pag-deploy ng AI ay talagang nakapagbigay ng pag-asa, dahil natulungan nito ang mga mananaliksik na maunawaan ang mga molekulang iminungkahi nito. Ang mga suhestiyon ng AI ay bahagyang batay sa pagkakaroon ng ilang tiyak na chemical group, tulad ng mga amine, na dati nang hindi napansin ng mga kimiko. Ang pag-highlight sa mga napabayaan na chemical group ay tiyak na isang mahalagang positibong kinalabasan ng pag-deploy ng AI.

Sa pangkalahatan, ang pag-deploy ng AI upang itaguyod ang layunin ng teknolohiyang solar ay hindi bago. Ang International Renewable Energy Agency ay nagsagawa ng isang malawak na pag-aaral kung paano maaaring mapabuti ng mga aplikasyon ng AI ang mga proseso ng integrasyon ng renewable energy, lalo na yaong may kinalaman sa hangin at solar power.

Sa susunod na segment, titingnan natin ang ilan sa mga insight ng ulat upang magkaroon ng komprehensibong pangkalahatang-ideya kung paano maaaring maging epektibo ang AI sa teknolohiyang solar.

Iba’t Ibang Aplikasyon ng AI sa Pagpapaunlad ng Teknolohiyang Solar

Maaaring tulungan ng AI ang teknolohiyang solar na maging mas epektibo sa pamamagitan ng paglikha ng pinahusay na mga forecast para sa renewable energy generation. Ang big data at AI ay maaaring magbigay ng tumpak na forecast ng power generation na magpapahintulot na maisama ang mas maraming renewable energy sa grid. Binanggit ng ulat ang halimbawa ng IBM, na noong 2015 ay nakapagpakita ng 30% na pagbuti sa solar forecasting habang nakikipagtulungan sa US Department of Energy’s SunShot Initiative.

Ang self-learning weather model at renewable generation forecasting technology ay gumamit ng malalaking dataset ng historical data at real-time measurement na pinagsama mula sa mga lokal na weather station, sensor network, satellite, at sky image camera.

Makikinabang din ang mga system operator sa pamamagitan ng tumpak na short-term forecasting, pagpapabuti ng unit commitment, pagtaas ng dispatch efficiency, pagbawas ng reliability issues, at pagbawas ng operating reserves na kailangan sa sistema.

Binanggit ng ulat ang dalawang proyekto. Ang una ay ang EWeLiNE, isang German research project na gumamit ng machine learning software at natapos noong 2017. Ang ikalawa ay ang Gridcast, ang sumunod dito. Pareho nilang ginamit ang AI upang hulaan ang power generation. Kinuha nila ang data mula sa mga solar sensor, wind turbine, at weather forecast. Nakatulong ito upang mabawasan ang nasasayang na enerhiya.

Maaari ring gampanan ng AI ang isang mahalagang papel sa pagpapanatili ng grid stability at reliability. Apat na kumpanya (Adaptricity, AEK, Alpiq, at Landis+Gyr (LAND.SW )), kasama ang Canton of Solothurn, ay sumusubok kung paano maaaring matiyak ng mga AI solution ang hinaharap na grid stability at mabawasan ang pamumuhunan sa magastos na pagpapalawak ng grid sa isang pilot project na tinatawag na SoloGrid.

Nakita na maaaring dagdagan ng AI ang kapasidad ng mga power grid at bawasan ang pangangailangan para sa mga bagong linya sa pamamagitan ng mas mahusay na paggamit ng umiiral na mga linya batay sa kondisyon ng panahon. Ang mga AI-based system, gamit ang malaking dami ng weather data, ay maaaring magtiyak ng optimal na paggamit ng umiiral na power grid sa pamamagitan ng pag-aangkop ng operasyon sa kondisyon ng panahon anumang oras, kaya nababawasan ang congestion.

Maaari ring mapabuti ng AI ang kaligtasan, reliability, at kahusayan sa mga power system sa pamamagitan ng awtomatikong pagtuklas ng mga disturbance. Ang mga AI model, na sinanay gamit ang mga halimbawa ng tipikal na system outage, ay unti-unting natutong ihiwalay—at eksaktong i-kategorya—ang normal na operating data mula sa mga tinukoy na system malfunction. Bilang resulta, maaaring gumawa ang algorithm ng split-second decisions tungkol sa presensya ng anomalya o fault, pati na rin ang uri at lokasyon nito. Mas partikular, maaaring makagawa ang algorithm ng desisyon sa loob ng 20–50 ms, na nagbibigay ng sapat na oras upang ipatupad ang naaangkop na ganap na awtomatikong countermeasures.

Maaari ring itulak ng AI ang teknolohiyang solar sa pamamagitan ng pagpapabuti ng demand forecasting. Nagbigay ng halimbawa ang ulat: BeeBryte, isang French startup. Gumamit ito ng AI upang hulaan ang thermal energy demand ng isang gusali. Pinapayagan nito na mag-produce ng heating at cooling sa tamang oras. Maaaring itakda ng mga customer ang operating temperature range, at pinananatiling steady ito ng AI. Nagdulot ito ng pag-save ng hanggang 40% sa utility bills.

Tinulungan din ng AI na pahabain ang buhay ng mga storage unit. Gumamit ito ng predictive logic upang i-optimize ang charging at discharging. Binanggit ng ulat ang Athena, isang AI system na binuo ng California-based na kumpanya na Stem. Inilatag nito ang paggamit ng enerhiya at sinubaybayan ang mga pag-fluctuate sa energy rates. Pinapayagan nito ang mga customer na gamitin ang storage nang mas epektibo.

Bukod sa mga inobatibo at matatalinong startup, ilang malalaking kumpanya ang gumamit ng AI upang itaguyod ang mga aplikasyon ng teknolohiyang solar. Sa mga susunod na segment, tatalakayin natin ang dalawang kumpanyang ito at kung paano nila in-apply ang AI upang itulak ang teknolohiyang solar pasulong.

1. Google

Kilala ang Google sa paggamit ng kanyang DeepMind AI systems upang hulaan ang output mula sa kanyang mga solar farm, na nagbibigay ng tumpak na forecast na tumutulong sa pag-optimize ng konsumo ng enerhiya at pagbawas ng gastos. Isang ulat ang nagsasabing nabawasan nito ang enerhiya na ginagamit para sa cooling sa isang Google data center ng 40% (15% kabuuang pagbawas sa paggamit ng kuryente) gamit lamang ang historical sensor data mula sa loob ng data center (hal., temperatura, power, pump speeds, setpoints) upang mapabuti ang kahusayan ng enerhiya. Ang AI system ay nagpo-predict ng future temperature at pressure ng data center sa susunod na oras at nagbibigay ng rekomendasyon kung dapat i-on o i-off ang konsumo.

Dahil sa tagumpay nito, dinala ng kumpanya ang mga inobasyong ito sa susunod na antas, kung saan, sa halip na ipatupad ng mga tao ang mga rekomendasyon, direktang kinokontrol ng AI system ang cooling ng data center habang nananatiling nasa ilalim ng ekspertong superbisyon ng mga operator ng data center.

Noong 2015, inilunsad ng Google ang Project Sunroof upang matulungan ang mga may-ari ng bahay na tantiyahin ang potensyal na pag-save ng solar. Batay sa karanasan mula sa proyektong iyon, inilabas ng kumpanya ang bagong Solar API tool noong 2023. Ginamit nito ang mapping at computing resources upang magbigay ng detalyadong data ng rooftop solar potential para sa higit sa 320 milyong gusali sa 40 bansa, kabilang ang U.S., France, at Japan.

Sinanay ng Google ang AI model nito upang kunin ang 3D na impormasyon tungkol sa geometry ng bubong direkta mula sa aerial imagery, kasama ang mga detalye tungkol sa mga puno at anino, habang ang Solar API ay isinasaalang-alang ang mga salik tulad ng historical weather patterns sa lugar, energy costs, at iba pa. Ang layunin ay payagan ang mga solar installer na maunawaan ang solar potential at gastos bago pa man bumisita sa isang lugar.

Noong Oktubre 29, 2024, inanunsyo ng Alphabet Inc. (GOOG ) ang kanyang financial results para sa quarter na nagtapos noong Setyembre 30, 2024. Ang consolidated na kita ng Alphabet sa Q3 2024 ay tumaas ng 15%, o 16% sa constant currency, taon-taon, sa $88.3 bilyon, na nagpapakita ng malakas na momentum sa buong negosyo.

2. GE

Noong 2023, inilunsad ng GE Vernova (GEV ) ang Fleet Orchestration, isang bagong software na gumagamit ng AI at machine learning upang tulungan ang mga power utility na i-maximize ang paggamit ng renewable energy.

Habang nagsasalita tungkol sa utility at mga benepisyo ng solusyon, sinabi ni Linda Rae, general manager ng power generation at oil and gas para sa digital business ng GE Vernova:

“Ang mga renewable tulad ng hangin at solar ay may mahalagang papel sa energy transition. Sila ay susi sa pagbawas ng pag-asa ng mundo sa fossil fuels. Ang hamon ay ang mga energy source na ito ay likas na variable — hindi palaging umiihip ang hangin, at ang hindi palaging sumisiklab ang araw. Pero inaasahan ng mga tao na magbubukas ang ilaw kapag pinindot nila ang switch. Dito pumapasok ang mga software solution, tulad ng Fleet Orchestration, na makakatulong na bawasan ang kawalan ng katiyakan para sa mga power company, na nagbibigay sa kanila ng kumpiyansa upang matiyak ang grid stability habang sabay na binabawasan ang emissions.”

Ayon sa isang pag-aaral na inilabas ng ISO New England, maaaring kailanganin ang reserve margins na tumaas mula 15% hanggang 300% pagsapit ng 2040 upang maabot ang 56% na paggamit ng renewables. Naniniwala ang GE na ang kakayahan ng kanilang software na tumulong sa pagtatakda ng angkop na margins – ang dami ng karagdagang resources upang mapanatiling maaasahan ang power system sa panahon ng stress – ay dumarating sa tamang panahon.

Isang linggo ang nakalipas, inilabas ng GE Vernova ang kanyang financial results para sa ika-apat na quarter at buong taon na nagtatapos noong Disyembre 31, 2024. Iniulat ng kumpanya ang full-year revenue na $34.9B, +5%, +7%, na organikong pinasigla ng Electrification at Power.

AI at Teknolohiyang Solar na Magkasamang Maglalakad sa Hinaharap

Upang maging mas kapaki-pakinabang para sa rehimen ng teknolohiyang solar, kailangang gawin ng AI ang ilang mga hakbang sa hinaharap. Kailangan magkaroon ng matibay na mekanismo para sa pagkolekta ng kapaki-pakinabang na data. Ang susunod na hakbang ay ang epektibong operationalization ng data sa pamamagitan ng wastong pag-istruktura nito upang maging actionable. Pangatlo, kailangang masiguro na ang iba’t ibang dataset ay makikipag-ugnayan nang epektibo at magbibigay ng halaga. Sa huli, kailangang i-optimize at i-fine-tune ang mga AI model upang maihatid ang pinakamataas na potensyal nito.

I-click dito para sa listahan ng mga nangungunang solar stock na maaaring pag-invest-an.

Sanggunian ng Pag-aaral:

^{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). Ang workflow ng inverse design ay nakakatuklas ng mga hole-transport na materyales na iniangkop para sa perovskite solar cells. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}