Yapay Zeka, Güneş Teknolojisini Daha Önceden Görülmemiş Bir Şekilde Hızlandırmak İçin Kullanılıyor

Güneş hücreleri ve panelleri pazarı hızla ilerliyor. Kamuya açık tahminlere göre, 2023 yılında dünya çapında güneş panellerinin pazar değeri yaklaşık 82 milyar ABD dolarıydı ve 2031’de 260 milyar ABD doları seviyesine ulaşması öngörülüyor, sekiz yılda üç katından fazla bir büyüme.

Güneş panellerinin ilerlemesi, panellerin temel bileşenleri olan güneş hücrelerindeki iyileştirmelere dayanıyor. Paneller, monokristalin ya da polikristalin silikon güneş hücrelerinin birleştirilip anti‑yansıma cam kapak altında mühürlenmesiyle üretilir. Şüphesiz, güneş teknolojisindeki her ilerleme, güneş hücrelerindeki gelişmelere bağlıdır. Bir sonraki bölümde bu tür bir atılımı ele alacağız.

Makine Öğrenimini Kullanarak Perovskit Güneş Hücreleri İçin Yeni Yarı İletken Moleküllerin Aramasını Hızlandırma

Karlsruhe Teknoloji Enstitüsü’nde çalışan uluslararası bir ekip, perovskit güneş hücrelerinin verimliliğini artıran yeni organik moleküller bulabildi ^1. Bu hedefe ulaşırken araştırmacılar, yapay zeka ve otomatik yüksek verimli sentezin akıllı bir kombinasyonunu kullandı. Raporda vurgulandığı gibi, bu araştırma batarya malzemeleri arayışı da dahil olmak üzere diğer malzeme araştırma alanlarında da uygulanabilir.

Araştırmayı detaylandıran bilimsel makale, yüksek karmaşıklığa sahip belirli optoelektronik cihazlar için tasarlanmış organik moleküllerin ters tasarımının hâlâ gerçekleşmemiş büyük bir potansiyele sahip olduğunu belirtiyor. Araştırma sonuçları ortaya çıkmadan önce var olan modeller, genellikle özel araştırma alanları için mevcut olmayan büyük veri setlerine dayanıyordu.

Araştırmacılar, organik yarı iletkenlerin yüksek verimli sentezini büyük veri setleri oluşturmak için ve yeni delik taşıma malzemelerini keşfetmek için Bayes optimizasyonunu birleştiren kapalı döngü bir iş akışı gösterdi. Öngörü modelleri, bu malzemelerin yapısını performanslarıyla ilişkilendiren moleküler tanımlayıcılara dayanıyordu.

Sonuç olarak, araştırma minimal önerilerden %26,2’ye (sertifikalı %25,9) kadar güç dönüşüm verimliliği elde eden yüksek performanslı bir dizi molekül tanımlayabildi.

Araştırma ekibinin ne başardığının bilimsel açıklaması çok teknik gelebilir, ancak sorun noktalarını ve çözümlerin nasıl ortaya çıktığını anlamanın daha kolay yolları da var.

Milyonlarca farklı molekülden hangilerinin pozitif yük taşıyıp perovskit güneş hücrelerini özellikle verimli hale getireceğini bulmak, hepsini sentezleyip test etmeyi gerektirirdi. Yapay zekanın devreye girmesi bu zahmetli yükü azalttı; KIT Nanoteknoloji Enstitüsü’nde malzeme biliminde yapay zekanın uygulamaları üzerine uzmanlaşmış Tenür takibi profesörü Pascal Friederich ve Helmholtz Enstitüsü Erlangen‑Nürnberg (HI ERN) profesörü Christoph Brabec liderliğindeki araştırmacılar, mümkün olan en az deneme ile amacına hizmet edecek bir yapay zeka modeli kullandı.

Brabec’in sözleriyle:

“Sadece 150 hedefli deneyle, yüz binlerce test gerektirecek bir atılımı başardık.”

Araştırmacılar, geliştirdikleri iş akışının geniş bir uygulama yelpazesinde yüksek performanslı malzemeleri hızlı ve ekonomik bir şekilde keşfetmenin yeni yollarını açacağını düşünüyor.

Peki araştırmacılar bunu nasıl başardı? Biraz daha derine inelim!

Moleküler Verilerle Yapay Zekayı Eğitmek

Her şey, Helmholtz Enstitüsü Erlangen‑Nürnberg (HI ERN)’de, yaklaşık bir milyon sanal molekülün yapısal formüllerini içeren bir veri tabanıyla başladı; bu moleküller ticari olarak temin edilebilen maddelerden sentezlenebilirdi. Araştırmacılar bu sanal moleküllerden rastgele 13 000 tanesini seçti. Enerji seviyelerini, polaritesini, geometrisini ve diğer özelliklerini belirlemek için KIT araştırmacıları yerleşik kuantum mekanik yöntemlerini kullandı.

13 000 molekülden 101 tanesinin seçimi, moleküler özelliklerinin çeşitliliğine dayanıyordu. Başka bir deyişle, bilim insanları bu 101’i özellikleri en çok farklı olanlar arasından seçti.

Sonrasında bilim insanları bu molekülleri robotik sistemlerle sentezleyerek, diğer tüm yönleri aynı olan güneş hücreleri ürettiler. Bu güneş hücrelerinin verimliliğini ölçmek, araştırmanın en kritik yönlerinden biriydi.

Bu verimlilik değerlendirmesi hakkında Brabec şöyle dedi:

“Yüksek derecede otomatikleştirilmiş sentez platformumuz sayesinde gerçekten karşılaştırılabilir örnekler üretebildik ve bu sayede güvenilir verimlilik değerleri belirleyebildik; bu, stratejimizin başarısı için kritikti.”

Araştırmacıların eğittiği ve geliştirdiği yapay zeka modeli, sentezlenmesi gereken 48 başka molekül önerdi. Bu öneriler iki kritere dayanıyordu:

• Yüksek beklenen verimlilik
• Öngörülemeyen özellikler

Yapay zekanın önerileri olumlu sonuçlar verdi. Yapay zekanın önerdiği moleküller, ortalamanın üzerindeki verimlilikte güneş hücreleri üretmeyi mümkün kıldı. Bunlardan bazıları, günümüzün en gelişmiş malzemelerinin yeteneklerini bile aşabiliyordu.

Sonuç, araştırmacıların yapay zekayı devreye almalarındaki kararlarını pekiştirdi. Başarı seviyesini değerlendirirken Friedrich şöyle dedi:

“Milyonlarca molekülden en iyisini kesin olarak bulduğumuzdan emin olamayız, ama kesinlikle optimuma çok yakınız.”

Yapay zekanın devreye alınması gerçekten cesaret vericiydi; çünkü araştırmacılar, önerilen moleküller hakkında içgörü kazandı. Yapay zekanın önerileri, kimyagerlerin daha önce göz ardı ettiği bazı kimyasal grupların, örneğin aminlerin varlığına dayanıyordu. Bu göz ardı edilen kimyasal grupların vurgulanması, yapay zekanın devreye alınmasının kesinlikle önemli bir olumlu sonucuydu.

Genel olarak, yapay zekanın güneş teknolojisinin ilerlemesine katkısı yeni bir şey değil. Uluslararası Yenilenebilir Enerji Ajansı, yapay zeka uygulamalarının özellikle rüzgar ve güneş enerjisi gibi yenilenebilir enerji entegrasyon süreçlerini nasıl iyileştirebileceğine dair kapsamlı bir çalışma yürüttü.

Sonraki bölümde, raporun bazı bulgularına bakarak yapay zekanın güneş teknolojisinde nasıl etkili olabileceğine dair kapsamlı bir bakış elde edeceğiz.

Yapay Zekanın Güneş Teknolojisini İlerletmedeki Çeşitli Uygulamaları

Yapay zeka, yenilenebilir enerji üretim tahminlerini geliştirerek güneş teknolojisinin daha verimli olmasına yardımcı olabilir. Büyük veri ve yapay zeka, doğru güç üretim tahminleri üretebilir; bu da şebekeye çok daha fazla yenilenebilir enerji entegrasyonunu mümkün kılar. Raporda, IBM’in 2015 yılında ABD Enerji Bakanlığı’nın SunShot Girişimi ile çalışarak güneş tahmininde %30’luk bir iyileşme sağladığı örnek olarak gösteriliyor.

Kendini öğrenen hava modeli ve yenilenebilir üretim tahmin teknolojisi, yerel hava istasyonları, sensör ağları, uydular ve gökyüzü görüntüleme kameralarından alınan gerçek zamanlı ölçümlerle entegre edilen büyük tarihsel veri setlerinden yararlanıyor.

Sistem operatörleri de doğru kısa vadeli tahminlerle fayda sağlayabilir; bu durum birim taahhütlerini iyileştirir, dağıtım verimliliğini artırır, güvenilirlik sorunlarını azaltır ve sistemde gereken işletme rezervlerini düşürür.

Rapor iki projeyi vurguladı. Biri 2017’de sona eren, makine öğrenimi yazılımı kullanan Alman araştırma projesi EWeLiNE; diğeri ise onun devamı olan Gridcast. Her ikisi de AI kullanarak güç üretimini tahmin etti. Güneş sensörleri, rüzgar türbinleri ve hava tahminlerinden veri çektiler; bu da boşa harcanan enerjiyi azalttı.

Yapay zeka, şebeke istikrarı ve güvenilirliğinin korunmasında da kritik bir rol oynayabilir. Dört şirket (Adaptricity, AEK, Alpiq ve Landis+Gyr (LAND.SW )) ve Solothurn kantonu, SoloGrid adlı pilot projede AI çözümlerinin gelecekteki şebeke istikrarını sağlamada ve maliyetli şebeke genişletme yatırımlarını en aza indirmede nasıl yardımcı olabileceğini test ediyor.

AI, mevcut hatları hava koşullarına göre daha verimli kullanarak yeni hat ihtiyacını azaltabilir; böylece şebeke kapasitesini artırır ve yeni hat gereksinimini düşürür. Büyük miktarda hava verisi kullanan AI tabanlı sistemler, mevcut şebekelerin optimal kullanımını sağlayarak her an hava koşullarına göre operasyonları uyarlayabilir ve tıkanıklığı azaltır.

AI, sistemlerdeki bozulmaları otomatik olarak tespit ederek güvenlik, güvenilirlik ve verimliliği de artırabilir. Tipik sistem kesintileri örnekleriyle eğitilen AI modelleri, normal işletme verilerini tanımlı sistem arızalarından ayırmayı ve kesin bir şekilde sınıflandırmayı zamanla öğrenir. Sonuç olarak, algoritma bir anormallik ya da hata varlığını, türünü ve konumunu 20–50 ms içinde belirleyebilir; bu da tam otomatik karşı önlemlerin uygulanması için yeterli zamanı sağlar.

AI, talep tahminini iyileştirerek güneş teknolojisini de güçlendirebilir. Raporda örnek olarak verilen BeeBryte, bir Fransız girişimi, binaların termal enerji talebini tahmin etmek için AI kullandı. Bu sayede ısıtma ve soğutma doğru zamanlarda üretilebildi. Müşteriler bir çalışma sıcaklık aralığı belirleyebildi ve AI bu aralığı sabit tuttu. Bu, enerji faturalarında %40’a kadar tasarruf sağladı.

AI, depolama birimlerinin ömrünü uzatmaya da yardımcı oldu. Kaliforniya merkezli Stem şirketinin geliştirdiği Athena adlı AI sistemi, enerji kullanımını haritalandırdı ve enerji fiyat dalgalanmalarını izledi; bu sayede müşteriler depolamayı daha verimli kullandı.

Yenilikçi ve zekice girişimlerin yanı sıra, büyük şirketler de AI’ı güneş teknolojisi uygulamalarını ilerletmek için kullandı. İlerleyen bölümlerde iki böyle şirketi ve AI’ı nasıl uyguladıklarını inceleyeceğiz.

1. Google

Google, DeepMind AI sistemlerini kullanarak güneş çiftliklerinden elde edilen çıktıyı tahmin ediyor; bu sayede enerji tüketimini optimize edip maliyetleri düşüren doğru tahminler sağlanıyor. Bir rapor, Google veri merkezinde soğutma için kullanılan enerjiyi %40 (toplam güç kullanımında %15 azalma) azaltabildiğini, sadece veri merkezi içindeki tarihsel sensör verilerini (ör. sıcaklık, güç, pompa hızı, ayar noktaları) kullanarak enerji verimliliğini artırdığını belirtiyor. AI sistemi, veri merkezinin bir sonraki saat içindeki sıcaklık ve basıncını tahmin ediyor ve tüketimin açılıp kapatılması konusunda önerilerde bulunuyor.

Başarısından ilham alarak, şirket bu yenilikleri bir adım daha ileri taşıdı; öneriler artık insanlar tarafından uygulanmak yerine, AI sistemi doğrudan veri merkezi soğutmasını kontrol ediyor, ancak hâlâ veri merkezi operatörlerinin uzman gözetimi altında.

2015 yılında Google, ev sahiplerinin güneş tasarrufu potansiyelini tahmin etmelerine yardımcı olmak için Project Sunroof’u başlattı. Bu projeden elde edilen uzmanlık üzerine, şirket 2023’te yeni bir Solar API aracı yayınladı. Bu araç, haritalama ve hesaplama kaynaklarını kullanarak 40 ülkedeki 320 milyondan fazla bina için detaylı çatı güneş potansiyeli verileri sağladı; ABD, Fransa ve Japonya da dahil.

Google, AI modelini havadan çekilen görüntülerden çatı geometrisi hakkında 3D bilgi çıkarmak ve ağaçlar ile gölgeler gibi detayları da yakalamak için eğitti; Solar API ise bölgedeki tarihsel hava modelleri, enerji maliyetleri ve benzeri faktörleri de hesaba katıyor. Amaç, güneş kurulumcularının bir bölgeye hiç gitmeden önce güneş potansiyelini ve maliyetlerini anlayabilmesini sağlamak.

29 Ekim 2024’te Alphabet Inc. (GOOG ), 30 Eylül 2024’te sona eren çeyrek için finansal sonuçlarını açıkladı. 2024’ün üçüncü çeyreğinde konsolide Alphabet gelirleri %15, sabit para biriminde %16 artarak 88,3 milyar ABD dolarına yükseldi; bu, işin genelinde güçlü bir ivme yansıtıyor.

2. GE

2023’te GE Vernova (GEV ), yenilenebilir enerjinin kullanımını maksimize etmeye yardımcı olmak için AI ve makine öğrenimini kullanan yeni bir yazılım olan Fleet Orchestration’ı piyasaya sürdü.

Çözümün faydalarından ve sunduğu avantajlardan bahsederken, GE Vernova’nun dijital iş biriminde enerji üretimi ve petrol‑gaz genel müdürü Linda Rae şunları söyledi:

“Rüzgar ve güneş gibi yenilenebilirler enerji geçişinde önemli bir rol oynuyor. Dünya’nın fosil yakıtlara bağımlılığını azaltmak için kilit öneme sahipler. Ancak bu enerji kaynakları doğası gereği değişken—rüzgar her zaman esmez, güneş her zaman parlamaz. Ama insanlar ışıkları açtıklarında ışığın yanmasını bekliyor. İşte bu noktada Fleet Orchestration gibi yazılım çözümleri, enerji şirketlerinin bu belirsizliği azaltmasına, şebeke istikrarını sağlamasına ve aynı zamanda emisyonları düşürmesine yardımcı oluyor.”

ISO New England tarafından yayınlanan bir çalışmaya göre, rezerv marjları 2040’a kadar %15’ten %300’e çıkabilir; bu da %56 yenilenebilir kullanımına ulaşmak için gerekli. GE, yazılımının uygun marjları (stres zamanlarında güç sistemlerinin güvenilir kalması için gereken ek kaynak miktarı) ayarlamaya yardımcı olma yeteneğinin doğru zamanda geldiğine inanıyor.

Bir hafta önce GE Vernova, 2024 yılı sonu 31 Aralık tarihine kadar olan tam yıl ve dördüncü çeyrek finansal sonuçlarını açıkladı. Şirket, tam yıl gelirinin 34,9 milyar dolar olduğunu, %5, %7 organik büyüme ile Elektrifikasyon ve Güç segmentlerinden kaynaklandığını bildirdi.

AI ve Güneş Teknolojisi Gelecekte El Ele Yürüyecek

Güneş teknolojisi ekosisteminin daha faydalı hale gelmesi için, AI’ın gelecekte belirli adımları atması gerekir. Öncelikle, faydalı verileri toplamak için sağlam bir mekanizma olmalı. Sonraki adım, bu verileri doğru şekilde yapılandırarak uygulanabilir hâle getirmeyi içerir. Üçüncüsü, farklı veri setlerinin etkili bir şekilde iletişim kurması ve değer sağlaması sağlanmalıdır. Son olarak, AI modelleri en yüksek performansı sunacak şekilde optimize edilmeli ve ince ayar yapılmalıdır.

Yatırım yapılabilecek en iyi güneş hisse senetlerinin listesi için buraya tıklayın.

Çalışma Referansı:

^{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). Ters tasarım iş akışı, perovskit güneş hücreleri için özelleştirilmiş delik taşıma malzemelerini keşfediyor. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}