Des chercheurs de l’Université de Newcastle ont créé des cellules photovoltaïques écologiques à haut rendement qui exploitent la lumière ambiante pour alimenter les appareils de l’Internet des objets (IoT).
Dirigé par le Dr Marina Freitag, le groupe de recherche de l’École des sciences naturelles et environnementales (SNES) a créé des cellules photovoltaïques à colorant basées sur un électrolyte de cuivre (II/I), atteignant une efficacité de conversion de puissance sans précédent de 38 % et 1,0 V tension en circuit ouvert à 1 000 lux (lampe fluorescente). Les cellules sont non toxiques et respectueuses de l’environnement, établissant une nouvelle norme pour les sources d’énergie durables dans les environnements ambiants.
Le Dr Marina Freitag, chercheuse principale au SNES, Université de Newcastle, a déclaré : « Notre recherche marque une étape importante vers la fabrication de dispositifs IoT moreover durables et économes en énergie. En combinant des cellules photovoltaïques innovantes avec des methods intelligentes de gestion de l’énergie, nous ouvrons la voie à un multitude de nouvelles implémentations d’appareils qui auront des purposes de grande envergure dans diverses industries.”
L’équipe a également introduit une approach pionnière de gestion de l’énergie, utilisant des réseaux de neurones artificiels à longue mémoire à court docket terme (LSTM) pour prédire l’évolution des environnements de déploiement et adapter la cost de calcul des capteurs IoT en conséquence. Ce système de gestion dynamique de l’énergie permet au circuit de récupération d’énergie de fonctionner avec une efficacité optimale, minimisant les pertes de puissance ou les baisses de rigidity.
Cette étude révolutionnaire démontre remark la synergie de l’intelligence artificielle et de la lumière ambiante en tant que resource d’alimentation peut permettre la prochaine génération d’appareils IoT. Les capteurs IoT économes en énergie, alimentés par des cellules photovoltaïques ambiantes à haut rendement, peuvent adapter dynamiquement leur consommation d’énergie en fonction des prédictions LSTM, ce qui se traduit par des économies d’énergie importantes et des exigences de conversation réseau réduites.