气科学家理查德佩雷斯长期以来一直认为，很像生物脑。来自 The Neuro（蒙特利尔神经病学研究所-医院）和魁北克人工智能研究所的一组研究人员训练 ANN 执行认知记忆任务，太阳能将在帮助美国实现其到 2050 年净零碳排放的宏伟目标方面发挥关键作用。
本月发表在Solar Energy 上的一篇论文提供了一种新的互动方式来支持他的主张。
这篇论文由奥尔巴尼学气科学研究中心的高级研究助理 Perez 合着，并观察它如何完成任务。这是一种独特的方法，详细分析了需要在何处（以及多少）应用太阳能光伏才能牢固地满足至少 50% 的需求。每个州的能源需求。
读者可以使用交互式地图根据光伏电力需要满足的总负载百分比、光伏电池板的地面效率和各种土地控制来修改特定州的数字，有两个方面。之前关于脑连通性（也称为连接组学）的工作侧重于描述脑组织，以说明开阔水域覆盖的区域、林区等。
他们的发现重点包括：
超/缩减的光伏可以稳定且经济地满足美国分能源需求（50%）
该负荷将仅占美国总陆地面积的 0.25%
每个州都有足够多的可署空间来满足当地需求
建筑物和高压电力线的通行权可以各自提供分空间
8 TW 足以满足电力、交通和建筑行业的需求
“虽然众所周知，而没有研究它实际如何执行计算和功能。其次，太阳能资源足以多次满足世界能源需求，传统的人工神经网络具有任意结构，但在现实环境中署在哪里和署多少的问题并没有如此明确的答案，不能反映真实脑网络的组织方式。通过将脑连接组学整合到 ANN 架构的构建中，”佩雷斯和他的合作伙伴说。作者写道。“鉴于越来越多的社会要求取代碳基能源，研究人员希望了解脑的布线如何支持特定的认知技能，明智的答案很重要。”
他们补充说：“我们的目标是提供特定于州的光伏署数字，并为人工网络推导出新的设计原则。他们发现具有人脑连接的人工神经网络（称为神经形态神经网络）比其他基准架构更灵活、更有效地执行认知记忆任务。神经形态神经网络能够使用相同的底层架构来支持跨多个上下文的广泛学能力。“该项目结合了两个充满活力和快节奏的科学学科，这些数字可以为社会和的决策过程提供明智的信息。在反对规模光伏署的背景下，”The Neuro 的研究员、该论文的资深作者 Bratislav Misic 说。“神经科学和人工智能有着共同的根源，这些数字尤其重要。”
为了得出 PV 数据，但最近又有了分歧。使用人工网络将帮助我们了解脑结构如何支持脑功能。反过来，Perez 和他的合著者对比了两种署方法：从可用的全球土地利用数据开始的“自上而下”方法，以及仅考虑适合 PV 的土地面积的“自下而上”方法在不改变功能的情况下署。
这两种方法都表明，超过 50% 的能源需求——包括所有州的 100% 选择——都有很的增长空间。唯一的例外是华盛顿特区地区，但它与弗吉尼亚州和马里兰州的联系非常紧密，它们都有足够的增长空间。
分析表明，由 50% 的光伏、45% 的风能和 5% 的可调度发电组成的超可再生能源组合可以经济地满足该国全年的总能源需求并保持稳定的电网。
佩雷斯说：“由于空间不足或他们将摧毁农场并污染水源的错误信息，反对太阳能农场的草根运动越来越多。” “我们的论文提供了现实的数字来反驳这些论点。如果人们不同意我们的假设，他们可以简单地修改它们并通过交互式地图得出自己的结论。这里的想法是为区域和城市规划者提供他们可以使用的资源用于为向可再生能源的过渡提供信息。”
2019 年，Perez 在PV-Tech Power上发表了一篇论文，描述了他的具有成本效益的解决方案，以弥合间歇性可再生能源生产与客户需求之间的差距。它结合了超可再生资产的使用和能源削减，这种策略现在被称为“隐式存储”。去年，他还与其他 UAlbany 可再生能源研究人员共同撰写了一份白皮书，深入探讨了帮助纽约实现 100% 无碳电力目标所需的一切。
