Команда инженеров из Университета Джонса Хопкинса разработала метод машинного обучения, который значительно ускоряет процесс тестирования солнечных элементов. Этот подход, возглавляемый аспирантом пятого курса, обещает упростить традиционно медленный и затратный процесс.
Одна из основных проблем при коммерциализации новых солнечных материалов заключается в длительном цикле изготовления, тестирования и доработки. Новая методика позволяет извлекать важные характеристики материалов всего из одного измерения, что экономит время и ресурсы. Нейронная сеть анализирует тысячи точек данных с одного солнечного элемента, выявляя сложные свойства и дефекты.
Преимущество нового подхода заключается в его универсальности: он может применяться не только для солнечных элементов, но и для других устройств, таких как транзисторы и датчики света. Это может существенно сократить время от открытия материала до его выхода на рынок, что открывает перспективы для быстрого создания новых технологий и решений в области чистой энергии.
Похожие новости:
Новая модель нейрона | Ракетный двигатель от ИИ | Российский квантовый процессор | Солнечное топливо
Сверхпроводящий токамак | Рентген в смартфоне | Теневая камера | Контакты для 2D-чипов
«Слушая подкасты, ничего не узнаешь, ты должен устать, упасть без задних ног — такой должна быть встреча с образованием»
«Количество желающих повышать квалификацию в больших компаниях меньше, чем среди предпринимателей»