Un proyecto de investigación de la Escuela Politécnica Federal de Lausana (EPFL) en Suiza ha desarrollado un método basado en el aprendizaje automático para realizar búsquedas rápidas y precisas en grandes bases de datos, lo que ha llevado al descubrimiento de 14 nuevos materiales para el diseño de células solares. Este hallazgo podría conducir a paneles solares más eficientes y de menor coste.
![Células solares.](https://static.solarinfo.es/media/2024/05/celulas-solares-perovskita-eficiencia-investigacion-aprendizaje-automatico.png)
Si bien el silicio ha dominado la tecnología solar hasta ahora, las investigaciones cada vez se orientan más hacia la perovskita debido a sus costes más bajos y procesos de fabricación más simples. Sin embargo, resulta un obstáculo encontrar perovskitas con la ‘banda prohibida’ adecuada, es decir, un rango de energía específico que determina la eficiencia con la que un material puede absorber la luz solar y convertirla en electricidad sin perderla en forma de calor.
Ahora, un proyecto de investigación de la EPFL ha desarrollado un método que combina técnicas computacionales avanzadas con aprendizaje automático para buscar materiales de perovskita óptimos para aplicaciones fotovoltaicas.
Base de datos de materiales de perovskita
Los investigadores comenzaron desarrollando un conjunto de datos completo y de alta calidad de los valores de banda prohibida para 246 materiales de perovskita. El conjunto de datos se construyó utilizando cálculos avanzados basados en funcionales híbridos, un tipo sofisticado de computación que incluye el intercambio de electrones y mejora la Teoría del Funcional de la Densidad (DFT, por sus siglas en inglés) más convencional.
Los funcionales híbridos utilizados eran ‘dieléctricos-dependientes’, lo que significa que incorporaron las propiedades de polarización electrónica del material en sus cálculos. Esto mejoró significativamente la precisión de las predicciones de banda prohibida en comparación con la DFT estándar, lo cual es particularmente importante para materiales como las perovskitas, donde la interacción electrónica y los efectos de polarización son cruciales para sus propiedades electrónicas.
El conjunto de datos resultante proporcionó una base sólida para identificar materiales de perovskita con propiedades electrónicas óptimas para aplicaciones como la fotovoltaica, donde el control preciso de los valores de banda prohibida permite maximizar la eficiencia.
Uso de aprendizaje automático para materiales fotovoltaicos
El equipo de investigación utilizó los cálculos de banda prohibida para desarrollar un modelo de aprendizaje automático entrenado en las 246 perovskitas, y lo aplicó a una base de datos de alrededor de 15.000 materiales candidatos para células solares, reduciendo la búsqueda a las perovskitas más prometedoras en función de sus bandas prohibidas y sus rangos de estabilidad previstos.
Así, el modelo identificó 14 perovskitas completamente nuevas, todas con bandas prohibidas y una estabilidad energética lo suficientemente alta para convertirse en materiales candidatos para células solares de alta eficiencia.
De esta manera, se demuestra que el uso del aprendizaje automático para agilizar el descubrimiento y la validación de nuevos materiales fotovoltaicos puede reducir los costes y acelerar en gran medida la adopción de la energía solar, reduciendo la dependencia de los combustibles fósiles y ayudando en el esfuerzo global para combatir el cambio climático.