به گزارش ایسنا و به نقل از گیزمگ، صنعت انرژی خورشیدی در آمریکا پیوسته در حال رشد است و درآمد حاصل از آن، از 42 میلیون دلار در سال 2007 به 210 میلیون در سال 2017 رسیده است. انتظار می‌رود که این مبلغ در پنج سال آینده دو برابر شود. با وجود ارائه تصویر کارآمدی از جذب انرژی خورشیدی، هنوز باید جزئیات بیشتری در این مورد مشخص شود. دانشمندان "دانشگاه استنفورد"(Stanford University)، یک ابزار یادگیری ماشینی جدید موسوم به "دیپ‌سولار"(DeepSolar) ابداع کرده‌اند که مشخصا به این کار اختصاص دارد.
دانستن محل قرار گرفتن نیروگاه‌های خورشیدی و انگیزه راه‌اندازی آنها، تلاش کارآمدی برای مدیریت انرژی است. این کار به کارخانه‌ها در برقراری توازن میان عرضه و تقاضا و ارائه انرژی مطمئن‌تر کمک می‌کند. به علاوه، درک انگیزه راه‌اندازی نیروگاه‌ها و شاید طراحی شهرها از این راه ممکن می‌شود.
پژوهشگران می‌توانند این کار را تنها با محاسبات دشوار و تصاویر ماهواره‌ای انجام دهند اما دانشمندان استنفورد، یک الگوریتم یادگیری ماشینی را برای انجام دادن این وظیفه مهم آموزش داده‌اند. آنها به این سیستم، حدود 370 هزار تصویر ارائه داده‌اند که هر یک، نشان‌دهنده ناحیه‌ای از زمین در ابعاد 30 در 30 است که براساس داشتن و یا نداشتن نیروگاه خورشیدی مشخص می‌شوند.
برنامه دیپ‌سولار، ویژگی‌هایی مانند رنگ، بافت و اندازه مرتبط با پنل خورشیدی را تشخیص می‌دهد. این برنامه در آزمایش‌های صورت گرفته توانست به خوبی عمل کند و تصاویر نیروگاه‌های خورشیدی را با 93 درصد دقت به درستی تشخیص دهد.
"جیافان یو"(Jiafan Yu)، دانشجوی دکتری مهندسی الکترونیک در دانشگاه استنفورد گفت: ما دقیقا به سیستم نمی‌گوییم که کدام ویژگی مهم است زیرا سیستم باید همه این ویژگی‌ها را یاد بگیرد.
"آرون ماجومدار"(Arun Majumdar)، ناظر این پروژه گفت: ما با این سیستم، به بینش‌های جدیدی دست یافته‌ایم اما این هنوز آغاز اکتشافاتی است که پیش روی ابداع‌کنندگان انرژی و سیاست‌گذاران قرار دارد. ما قصد داریم با عمومی ساختن این پروژه، الگوهای مقرون به‌صرفه‌تری در این زمینه ارائه دهیم.
این پژوهش، در مجله "Joule" به چاپ رسید.
