Data science

Argonne National Laboratory ใช้การเรียนรู้ของเครื่องเพื่อความก้าวหน้าของพลังงานแสงอาทิตย์

ความก้าวหน้าของพลังงานแสงอาทิตย์หมายถึงการพัฒนาและระบุวัสดุที่มีประสิทธิภาพมากขึ้นในการดักจับพลังงานแสงอาทิตย์ – และวัสดุศาสตร์ประเภทนั้นหมายถึงการใช้การคำนวณที่ทรงพลังและการวิเคราะห์ข้อมูลที่แข็งแกร่ง ตอนนี้นักวิจัยจาก Argonne National Laboratory และ University of Chicago กำลังใช้แมชชีนเลิร์นนิงเพื่อติดตามวัสดุศาสตร์อย่างรวดเร็วสำหรับพลังงานแสงอาทิตย์ Marco Govoni ผู้ช่วยนักวิทยาศาสตร์ในแผนก Materials Science ของ Argonne และผู้เขียนร่วมของ Argonne กล่าวว่า “มันไม่ได้ใช้งานง่ายในตอนแรก แต่ปรากฎว่าเทคนิคการเรียนรู้ของเครื่องสามารถนำมาใช้เพื่อวัตถุประสงค์ที่แตกต่างจากการจดจำภาพหรือคาดการณ์ความต้องการของผู้บริโภคได้มาก การศึกษาในการให้สัมภาษณ์กับ Viktor Rozsa ของ Argonne ในกรณีนี้ นักวิจัยได้ใช้แมชชีนเลิร์นนิงเพื่อแก้สมการทางกลควอนตัมที่กำหนดการดูดกลืนแสงลงในวัสดุ Sijia Dong ซึ่งเคยเป็นนักศึกษาดุษฏีบัณฑิตที่ Argonne กล่าวว่า “สิ่งสำคัญในการทำงานของเราคือเข้าใจว่าเราสามารถนำข้อมูลที่ได้มาจากของแข็งหรือของเหลวมาใช้ซ้ำโดยไม่ต้องคำนวณซ้ำสำหรับระบบที่คล้ายคลึงกัน “โดยพื้นฐานแล้ว เราคิดวิธีการรีไซเคิลเพื่อลดความซับซ้อนของการคำนวณที่จำเป็นในการจำลองการดูดกลืนแสงด้วยวัสดุและโมเลกุล” โดยการทำให้สมการนี้คล่องตัวขึ้น นักวิจัยได้เร่งการจำลองการดูดกลืนด้วยปัจจัย 200 ซึ่งช่วยเร่งประเภทของวัสดุศาสตร์ที่จำเป็นสำหรับการพัฒนาพลังงานแสงอาทิตย์รุ่นต่อไปได้อย่างมาก “การประหยัดเวลาในการคำนวณการคัดกรองโดยใช้ ML นั้นน่าทึ่งมาก” นักวิจัยเขียนไว้ในบทความของพวกเขา “การศึกษาของเรายังให้ข้อมูลเชิงลึกเกี่ยวกับวิธีการปรับปรุงและปรับเปลี่ยนทฤษฎีพื้นฐานที่ใช้ในการจำลอง” Giulia Galli นักวิทยาศาสตร์อาวุโสในแผนกวัสดุศาสตร์กล่าว “ผลกระทบของการฝึกการเรียนรู้ด้วยเครื่องของเรากลับส่งผลมากกว่าที่คาดไว้ วิธีการขับเคลื่อนด้วยข้อมูลที่เรานำมาใช้ชี้ให้เห็นถึงวิธีใหม่ในการศึกษาปฏิสัมพันธ์ของสสารแสงในระบบที่สมจริงและซับซ้อนยิ่งขึ้นกว่าที่เราเริ่มศึกษา” ขณะนี้ นักวิจัยกำลังใช้ประโยชน์จากข้อมูลเชิงลึกแบบเดียวกันนี้สำหรับปัญหาอื่นๆ ที่เกี่ยวกับแสงนอกเหนือจากการดูดกลืนแสง โดยเริ่มจากการปรับแสงสำหรับการตรวจจับควอนตัม เกี่ยวกับงานวิจัย งานวิจัยที่กล่าวถึงในบทความนี้ได้รับการตีพิมพ์ในชื่อ “Machine learning dielectric screening for the simulation ofตื่นเต้นสถานะคุณสมบัติของโมเลกุลและวัสดุ” ในฉบับเดือนเมษายน 2021 ของวิทยาศาสตร์เคมี บทความนี้เขียนโดย Sijia S. Dong, Marco Govoni และ Giulia Galli ต้องการอ่านเอกสารคลิกที่นี่ รายการที่เกี่ยวข้อง แมชชีนเลิร์นนิงสามารถช่วยเราหยุดการเปลี่ยนแปลงสภาพภูมิอากาศ ฝาแฝดดิจิทัลช่วยให้กริดไฟฟ้าทันสมัยได้อย่างไร ความพยายามของสมาร์ทกริดพยายามที่จะส่งเสริมการประสานงาน

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button