Dos científicos del Laboratorio Nacional Argonne del Departamento de Energía de EE.UU. (DOE) han desarrollado un método de aprendizaje automático para detectar miles de compuestos como absorbentes solares. Los investigadores han aplicado la herramienta para avanzar en el estudio de la energía solar con perovskita de haluro.
Los autores del hallazgo son Maria Chan, científica del Centro de Materiales a Nanoescala, y Arun Mannodi-Kanakkithodi, un ex postdoctorado de Argonne que ahora es profesor asistente en la Universidad de Purdue.
«Según un estudio reciente del DOE, para 2035, la energía solar podría alimentar el 40% de la electricidad de Estados Unidos y podría ayudar a descarbonizar la red y generar muchos nuevos puestos de trabajo», indica Maria Chan.
Los investigadores están apostando a que el aprendizaje automático jugará un papel vital en la consecución de este objetivo. El aprendizaje automático, una forma de inteligencia artificial (IA), utiliza una combinación de grandes conjuntos de datos y algoritmos para imitar la forma en que aprenden los humanos. Aprende del entrenamiento con datos de muestra y experiencias pasadas para hacer predicciones cada vez mejores.
Estudios con perovskita de haluro
En la actualidad, el absorbente principal de las células solares es el telururo de silicio o de cadmio, pero siguen siendo bastante caras y requieren mucha energía para su fabricación.
El equipo de científicos utilizó su método de aprendizaje automático para evaluar las propiedades de energía solar de una clase de material llamado perovskita de haluro. Durante la última década, muchos investigadores han estado estudiando las perovskitas debido a su notable eficiencia para convertir la luz solar en electricidad. También ofrecen la perspectiva de un coste y necesidades de energía mucho más bajos para la preparación de materiales y la fabricación de celdas.
Cerca de 400 predicciones
Chan explica que, a diferencia del telururo de silicio o cadmio, las posibles variaciones de haluros combinados con perovskitas son esencialmente ilimitadas. «Por lo tanto, existe una necesidad urgente de desarrollar un método que pueda reducir los candidatos prometedores a un número manejable. Para ese fin, el aprendizaje automático es una herramienta perfecta», indica la investigadora.
El equipo entrenó su método con datos de unos pocos cientos de composiciones de haluros de perovskita y luego lo aplicó a más de 18.000 composiciones. El método las evaluó en cuanto a propiedades clave como la estabilidad, la capacidad de absorber la luz solar o la resistencia de la estructura, entre otros parámetros. Los cálculos concordaron bien con los datos relevantes en la literatura científica. Además, los hallazgos redujeron a 400 el número de composiciones dignas de más estudio.
Experimentación en un laboratorio autónomo
El próximo paso será probar las predicciones usando experimentos. El escenario ideal sería usar un laboratorio de descubrimiento autónomo, como Polybot en el Centro de Materiales a Nanoescala (CNM) de Argonne, una instalación para usuarios de la Oficina de Ciencias del DOE. Polybot reúne el poder de la robótica con la IA para impulsar el descubrimiento científico con poca o ninguna intervención humana.
Mediante el uso de la experimentación autónoma para sintetizar, caracterizar y probar lo mejor de sus composiciones, Chan y su equipo anticipan que también pueden mejorar el método actual de aprendizaje automático.
Además de las células solares, esta metodología de diseño podría aplicarse a luces LED y sensores infrarrojos.