Исследовательская группа разработала метод проектирования экспериментов (DOE) на основе машинного обучения, который эффективно оптимизирует производительность и условия процесса органических термоэлектрических устройств.
Органические термоэлектрические устройства преобразуют низкотемпературную, отработанную тепловую энергию человеческой кожи или электроники в электричество. Разработанная в этом исследовании схема экспериментов, которая является первым примером использования машинного обучения в области органических термоэлектрических устройств, считается новым подходом к эффективной оптимизации производительности органических термоэлектрических устройств, оптимизация которых была сложной из-за наличия множества переменных.
Исследование, проведенное под руководством Джихён Чон и Суён Пак, докторантов кафедры электротехники и вычислительной техники Сеульского национального университета, было опубликовано 26 ноября в журнале Advanced Energy Materials.
Органические термоэлектрические устройства привлекают внимание как устройства сбора энергии для носимых устройств следующего поколения и датчиков температуры из-за их механической гибкости и возможности изготовления на больших поверхностях и массового производства. Однако, в отличие от традиционной термоэлектрической технологии, которая использует кристаллические неорганические материалы для взаимного преобразования тепла и электричества, органические термоэлектрические устройства, использующие легированные полукристаллические полимерные тонкие пленки, испытывают трудности в поиске оптимальных условий производительности.
Это связано с тем, что легированные полукристаллические полимерные тонкие пленки имеют сложное взаимодействие между переменными процесса (концентрация легирования, метод формирования пленки, температура отжига и т. д.) и термоэлектрическими характеристиками ( электропроводность , коэффициент Зеебека и т. д.). Поэтому требуется значительное время и усилия, чтобы найти условия, оптимизирующие производительность органических термоэлектрических устройств путем повторных экспериментов, проб и ошибок.
Чтобы решить эту проблему неэффективности, Квак и его команда внедрили экспериментальную модель на основе машинного обучения.
Сначала группа выбрала четыре переменные процесса (скорость вращения, концентрация легирующего раствора, время легирования и температура отжига), которые влияют на производительность органических термоэлектрических устройств, а затем установила четыре уровня для каждой переменной.
В этом случае традиционно изготавливают не менее 256 термоэлектрических устройств, поскольку количество возможных комбинаций условий процесса рассчитывается путем умножения четырех уровней для каждой из четырех переменных (4 x 4 x 4 x 4) с целью оценки всех переменных.
Однако команда разработала экспериментальную схему на основе искусственного интеллекта, которая позволила им определить важность ключевых технологических параметров, влияющих на производительность органических термоэлектрических устройств, и получить оптимальные условия процесса, используя всего 16 (4×4) термоэлектрических устройств.
Ожидается, что этот основанный на машинном обучении метод экспериментального проектирования , который позволяет успешно прогнозировать пиковые характеристики органических термоэлектрических устройств, сводя к минимуму повторные эксперименты, внесет значительный вклад в улучшение характеристик устройств в будущем, а также укажет направление для разработки материалов и процессов.
Также ожидается, что эти высокопроизводительные органические термоэлектрические устройства найдут широкое применение в качестве источников питания для носимых устройств и небольших электронных устройств.
«Это исследование является успешным примером использования ИИ, поскольку оно эффективно вывело оптимальные термоэлектрические характеристики с помощью небольшого количества экспериментов с использованием технологии машинного обучения», — сказал Джихён Чон, первый автор статьи.
«В частности, это важно, поскольку доказывает, что традиционный итеративный экспериментальный метод можно трансформировать в научный проект, основанный на данных».
Профессор Чонхун Квак, возглавлявший исследование, добавил: «Метод экспериментального планирования на основе ИИ не только значительно сократил время и затраты на исследования, но и позволил нам более систематически понимать взаимодействия между многомерными переменными, которые ранее было трудно исследовать».
В настоящее время Квак возглавляет Лабораторию передовой опто- и наноэлектроники в Сеульском национальном университете. Он планирует продолжить свои исследования по разработке органических термоэлектрических устройств, а также по процессу изготовления и оптимизации производительности различных электронных устройств с использованием органических полупроводников.
Исследователь Джихён Чон продолжает свои исследования с целью дальнейшего улучшения характеристик органических термоэлектрических устройств и продолжит работу над оптимизацией процесса и конструкции устройств, необходимых для разработки чистых энергетических технологий, использующих отходящее тепло.
