Un proyecto liderado por la Universidad Cornell, en EE.UU., ha recibido una subvención de tres millones de dólares del Departamento de Energía de EE.UU. para aplicar el aprendizaje automático en investigaciones que buscan acelerar la creación de materiales de bajo coste en el campo de la energía solar.
Bajo el título «Ingeniería de formulación de materiales energéticos a través de espirales de aprendizaje multiescala», el trabajo, de tres años, tuvo su germen en una colaboración entre científicos de datos y científicos experimentales en un proyecto anterior, financiado por el Centro de Investigación de Materiales de Cornell (CCMR), cuyo objetivo era explorar una clase de materiales llamados híbridos, formados por perovskitas orgánicas e inorgánicas: estructuras cristalinas que pueden convertir la luz en electricidad de manera eficiente.
Perovskita a bajo coste
Este tipo de perovskita tiene el potencial de crecer a partir de una solución, en lugar de procesarse a alta temperatura, por lo que se puede fabricar a través de métodos de bajo costo, como la impresión por inyección de tinta y el recubrimiento por ranura, en una amplia gama de sustratos.
Esto hace que las perovskitas sean candidatos destacados para células fotovoltaicas. Sin embargo, hay tres razones que explican por qué este material todavía está en el laboratorio y no en los paneles solares: las perovskitas son difíciles de escalar, son inestables y son difíciles de reproducir de manera confiable, un problema que el equipo investigador de Cornell cree haber resuelto.
La observación previa de la manera en la que desarrollan los precursores cristalinos, dio a los investigadores la idea de controlar la cristalización de las perovskitas de una forma estable. El trabajo de laboratorio descubrió que podían calcular cómo se forman los precursores en diferentes disolventes, lo que sugirió un posible papel del aprendizaje automático, también conocido como machine learning, a gran escala para predecir la síntesis de materiales.
Midiendo las propiedades electrónicas del material, se demostró que cuando la luz incide sobre las perovskitas, no solo se sueltan los electrones, lo que desencadena la conductividad electrónica, sino también los iones. La conductividad iónica podría ser una de las razones por las que el material ha sido inestable.
El papel del aprendizaje automático
En este trabajo de investigación se ha demostrado que el aprendizaje automático tiene un papel crucial en el desarrollo de perovskitas de alto rendimiento. El modelo interdisciplinario del equipo, formado por científicos de datos y científicos experimentales, no solo promoverá el conocimiento de las perovskitas, sino que también permitirá a los investigadores aplicar su marco de aprendizaje automático a otros materiales desarrollados, como las fases híbridas Ruddlesden-Popper, también conocidas como «perovskitas 2D».
El proyecto es uno de los diez que el Departamento de Energía está financiando a través de una iniciativa de 26 millones de dólares americanos para aprovechar herramientas de investigación de vanguardia con el objetivo de aplicarlas en soluciones de energía limpia.
«La ciencia de datos, especialmente la inteligencia artificial o el machine learning, brinda oportunidades únicas para dar un salto hacia capacidades novedosas que permitan comprender propiedades y procesos fundamentales en sistemas físicos y químicos”, ha declarado Steve Binkley, director interino de la Oficina de Ciencias del DOE, en un comunicado de prensa. «Esta investigación aprovechará el rápido crecimiento de la ciencia de datos para acelerar los descubrimientos necesarios en el campo de las energías limpias con el fin de eliminar o reducir la emisión de gases de efecto invernadero y el uso de recursos críticos».