Las células solares de perovskita son una alternativa flexible y sostenible a las células solares convencionales a base de silicio. Los investigadores del Instituto de Tecnología de Karlsruhe (KIT) forman parte de un equipo internacional que pudo encontrar, en solo unas pocas semanas, 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 investigación de materiales, como la búsqueda de nuevos materiales de batería.
Para averiguar cuál de un millón de moléculas diferentes realizaría cargas positivas y haría que las células solares de perovskita sean particularmente eficientes, uno necesitaría sintetizarlas y probarlas todas, o hacerlas como los investigadores encabezados por el profesor de seguimiento Pascal Friederich, quien Se especializa en las aplicaciones de IA en Ciencias de Materiales en el Instituto de Nanotecnología de Kit, y el profesor Christoph Brabec del Instituto Helmholtz Erlangen-Nürnberg (HI ERN). «Con solo 150 experimentos específicos, pudimos lograr un avance que de otro modo hubiera requerido cientos de miles de pruebas. El flujo de trabajo que hemos desarrollado abrirá nuevas formas para descubrir rápida y económicamente materiales de alto rendimiento para una amplia gama de aplicaciones , «Dijo Brabec. Con uno de los materiales descubiertos, aumentaron la eficiencia de una célula solar de referencia en aproximadamente dos puntos porcentuales a 26.2 por ciento. «Nuestro éxito muestra que se pueden guardar enormes cantidades de tiempo y recursos aplicando estrategias hábiles para el descubrimiento de nuevos materiales energéticos», dijo Friedrich.
El punto de partida en HiRern era una base de datos con fórmulas estructurales para aproximadamente un millón de moléculas virtuales que podrían sintetizarse a partir de sustancias disponibles comercialmente. De estas moléculas virtuales, 13,000 fueron seleccionados al azar. Los investigadores del kit utilizaron métodos mecánicos cuánticos establecidos para determinar sus niveles de energía, polaridad, geometría y otras propiedades.
Entrenamiento de IA con datos de solo 101 moléculas
A partir de las 13,000 moléculas, los científicos eligieron 101 con las mayores diferencias en sus propiedades, las sintetizaron con sistemas robóticos en mi vida, los usaron para producir células solares idénticas y luego medir la eficiencia de las células solares. «Ser capaz de producir muestras verdaderamente comparables gracias a nuestra plataforma de síntesis altamente automatizada y, por lo tanto, poder determinar valores de eficiencia confiables, fue crucial para el éxito de nuestra estrategia», dijo Brabec, quien dirigió el trabajo en HiRern.
Los investigadores de KIT utilizaron las eficiencias alcanzadas y las propiedades de las moléculas asociadas para entrenar un modelo de IA, que sugirió otras 48 moléculas para sintetizar. Sus sugerencias se basaron en dos criterios: alta eficiencia esperada y propiedades imprevisibles. «Cuando el modelo de aprendizaje automático es incierto sobre la eficiencia predicha, vale la pena sintetizar la molécula y echarle un vistazo más de cerca», dijo Friederich, explicando el segundo criterio. «Puede sorprendernos con un nivel de alta eficiencia».
Utilizando las moléculas sugeridas por la IA, era posible construir células solares con eficiencia por encima del promedio, incluidas algunas superiores a las capacidades de los materiales más avanzados utilizados actualmente. «No podemos estar seguros de que realmente hemos encontrado el mejor de un millón de moléculas, pero ciertamente estamos cerca de lo óptimo», dijo Friederich.
AI versus intuición química
Dado que los investigadores utilizaron una IA que indica en qué de las propiedades de las moléculas virtuales se basaban sus sugerencias, pudieron obtener una idea de las moléculas que sugirió. Por ejemplo, determinaron que las sugerencias de IA se basan en parte en la presencia de ciertos grupos químicos, como las aminas, que los químicos habían descuidado previamente.
Brabec y Friederich creen que su estrategia es prometedora para otras aplicaciones en la ciencia de los materiales o puede extenderse a la optimización de componentes completos.
Los hallazgos, que son el resultado de la investigación realizada en colaboración con científicos de Fau Erlangen-Nürnberg, el Instituto Nacional de Ciencias Ulsan de Corea del Sur y la Universidad Xiamen de China y la Universidad de Ciencia y Tecnología Electrónica, se publicaron recientemente en la revista. Ciencia.
