Investigadores de la Facultad de Ingeniería de la Universidad de California en Davis están usando el aprendizaje automático para identificar nuevos materiales para células solares de alta eficiencia.
Mediante experimentos de alto rendimiento y algoritmos basados en el aprendizaje automático, han descubierto que es posible predecir el comportamiento dinámico de los materiales con gran precisión, sin necesidad de realizar tantos experimentos.
Las perovskitas híbridas son moléculas orgánico-inorgánicas que han recibido mucha atención en los últimos 10 años por su posible uso en energías renovables, explica Marina Leite, profesora asociada de Ciencia e Ingeniería de los Materiales en UC Davis y autora principal del trabajo. Algunos tienen una eficiencia comparable a la del silicio para fabricar células solares, pero son más baratos de fabricar y más ligeros, lo que podría permitir una amplia gama de aplicaciones, incluidos los dispositivos emisores de luz.
Uno de los principales retos en este campo es que los dispositivos de perovskita tienden a degradarse mucho más fácilmente que los de silicio cuando se exponen a la humedad, el oxígeno, la luz, el calor y el voltaje. El problema consiste en encontrar qué perovskitas combinan un alto rendimiento con la resistencia a las condiciones ambientales.
Las perovskitas tienen una estructura general de ABX3, donde A es un grupo orgánico (a base de carbono) o inorgánico, B es plomo o estaño y X es un haluro (a base de cloro, yodo o flúor o una combinación). Por tanto, «el número de combinaciones químicas posibles es enorme», afirma Leite. Además, deben evaluarse en función de múltiples condiciones ambientales, solas y combinadas, lo que da lugar a un espacio de hiperparámetros que no puede explorarse con los métodos convencionales de ensayo y error.
El espacio de parámetros químicos es enorme. Probarlos todos llevaría mucho tiempo y sería tedioso.
Marina Leite
Experimentos de alto rendimiento y aprendizaje automático.
Como primer paso clave para resolver estos problemas, Leite y los estudiantes Meghna Srivastava y Abigail Hering deciden comprobar si los algoritmos de aprendizaje automático pueden ser eficaces a la hora de probar y predecir los efectos de la humedad en la degradación de los materiales.
Srivastava y Hering construyeron un sistema automatizado de alto rendimiento para medir la eficiencia de fotoluminiscencia de cinco películas de perovskita diferentes en las condiciones de los días de verano en Sacramento. Fueron capaces de recoger más de 7.000 mediciones en una semana, acumulando datos suficientes para un conjunto de entrenamiento fiable.
Utilizaron estos datos para entrenar tres algoritmos diferentes de aprendizaje automático: un modelo de regresión lineal, una red neuronal y un modelo estadístico llamado SARIMAX. Compararon las predicciones de los modelos con los resultados físicos medidos en el laboratorio. El modelo SARIMAX mostró el mejor rendimiento, con un 90% de coincidencia con los resultados observados durante una ventana de más de 50 horas.
Estos resultados demuestran que podemos utilizar el aprendizaje automático para identificar los materiales candidatos y las condiciones adecuadas para evitar la degradación de las perovskitas.
Marina Leite
Los próximos pasos consistirán en ampliar los experimentos para cuantificar combinaciones de múltiples factores ambientales.
La propia película de perovskita es sólo una parte de una célula fotovoltaica completa, dijo Leite. El mismo método de aprendizaje automático podría utilizarse también para predecir el comportamiento de un dispositivo completo.
Nuestro paradigma es único, y estoy ansioso por ver las próximas mediciones. Además, estoy muy orgulloso de la diligencia de los estudiantes durante la pandemia.
Marina Leite
Vía www.ucdavis.edu
Deja una respuesta