Las células solares de perovskita son una alternativa flexible y duradera a las células solares convencionales basadas en silicio. Investigadores del Instituto Tecnológico de Karlsruhe (KIT) forman parte de un equipo internacional que, en tan solo unas semanas, pudo descubrir nuevas moléculas orgánicas que aumentan la eficiencia de las células solares de perovskita. El equipo utilizó una combinación inteligente de inteligencia artificial (IA) y síntesis automatizada de alto rendimiento. Su estrategia también se puede aplicar a otras áreas de la investigación de materiales, como la búsqueda de nuevos materiales para baterías.
Para descubrir cuál de los millones de moléculas diferentes llevará cargas positivas y hará que las células solares de perovskita sean particularmente eficientes, sería necesario sintetizarlas y probarlas todas, o el profesor de tenor Pascal Friedrich tendrá que terminar como investigador bajo el liderazgo de se especializa en aplicaciones de IA en ciencia de materiales en el Instituto de Nanotecnología de KIT, y el Prof. Christoph Brabeck en el Instituto Helmholtz Erlangen-Nürnberg (HI ERN). “Con solo 150 experimentos específicos, pudimos lograr un avance que de otro modo habría requerido millones de pruebas. El flujo de trabajo que desarrollamos permite materiales de alto rendimiento para una amplia gama de aplicaciones. Abrirá nuevas formas de explorar de forma rápida y económica. “, Dijo Brabeck. Con uno de los materiales descubiertos aumentaron la eficiencia de una célula solar de referencia en aproximadamente dos puntos porcentuales, hasta el 26,2 por ciento. “Nuestro éxito demuestra que se pueden ahorrar enormes cantidades de tiempo y recursos utilizando estrategias hábiles para descubrir nuevos materiales energéticos”, dijo Frederick.
El punto de partida del HI ERN fue una base de datos con las fórmulas estructurales de aproximadamente un millón de moléculas virtuales que podrían sintetizarse a partir de sustancias disponibles comercialmente. Se seleccionaron al azar 13.000 de estas moléculas virtuales. Los investigadores del KIT utilizaron métodos de mecánica cuántica establecidos para determinar sus niveles de energía, polaridad, geometría y otras propiedades.
Entrenamiento de IA con datos de solo 101 moléculas
De 13.000 moléculas, los científicos seleccionaron 101 con las mayores diferencias en sus propiedades, las sintetizaron con sistemas robóticos en HI ERN, las utilizaron para fabricar células solares idénticas y luego midieron la eficiencia de las células solares. “Poder producir muestras verdaderamente comparables gracias a nuestra plataforma de síntesis altamente automatizada y así poder determinar valores de rendimiento confiables es parte de nuestra estrategia”, dijo Brabec, quien dirigió el trabajo en HI ERN y fue fundamental para el éxito.
Los investigadores de KIT utilizaron las eficiencias y propiedades obtenidas de moléculas relacionadas para entrenar un modelo de IA, que sugirió otras 48 moléculas para sintetizar. Sus propuestas se basaron en dos criterios: alto rendimiento esperado y características inesperadas. “Cuando el modelo de aprendizaje automático no está seguro del rendimiento previsto, es beneficioso sintetizar la molécula y observarla más de cerca”, dijo Friedrich, explicando el segundo criterio. “Puede que nos sorprenda con sus altos niveles de rendimiento”.
Utilizando moléculas sugeridas por la IA, fue posible crear células solares con eficiencias verdaderamente superiores a la media, algunas incluso superando las capacidades de los materiales más avanzados actualmente en uso. “No podemos estar seguros de haber encontrado realmente la molécula perfecta entre un millón de moléculas, pero ciertamente estamos bastante cerca”, dijo Friedrich.
IA versus intuición química
Debido a que los investigadores utilizaron una IA que identificó en qué moléculas virtuales se basaban sus sugerencias, pudieron obtener una idea de las moléculas que sugería. Por ejemplo, determinaron que las recomendaciones de la IA se basan en parte en la presencia de ciertos grupos químicos, como las aminas, que los químicos habían ignorado anteriormente.
Brabec y Friederich creen que su estrategia es prometedora para otras aplicaciones en la ciencia de materiales o puede ampliarse a la optimización de componentes completos.
Los hallazgos, que son el resultado de una investigación colaborativa entre científicos de la FAU Erlangen-Nürnberg, el Instituto Nacional de Ciencias Ulsan de Corea del Sur y la Universidad de Xiamen y la Universidad de Ciencia y Tecnología Electrónica de China, se publicaron recientemente en la revista. Ciencia.
