IA para células solares de perovskita: clave para mejorar la fabricación
Los métodos de Inteligencia Artificial guían a los investigadores en el desarrollo de procesos de fabricación mejorados para células solares de alta eficiencia, un modelo para otras áreas de investigación
Las células solares en tándem de perovskita combinan una célula solar de perovskita con una célula solar convencional, por ejemplo basada en silicio. Estas células se consideran una tecnología de nueva generación: Actualmente tienen una eficiencia de más del 33%, muy superior a la de las células solares de silicio convencionales. Además, utilizan materias primas baratas y son fáciles de fabricar. Para alcanzar este nivel de eficiencia, hay que producir una capa de perovskita de alto grado extremadamente fina, cuyo grosor es sólo una fracción del de un cabello humano. "Fabricar estas capas finas multicristalinas de alta calidad sin deficiencias ni agujeros con métodos económicos y escalables es uno de los mayores retos", afirma el profesor Ulrich W. Paetzold, que investiga en el Instituto de Tecnología de Microestructuras y el Instituto de Tecnología de la Luz del KIT. Incluso en condiciones de laboratorio aparentemente perfectas, puede haber factores desconocidos que provoquen variaciones en la calidad de la capa semiconductora: "Este inconveniente acaba impidiendo el rápido inicio de la producción a escala industrial de estas células solares de alta eficiencia, tan necesarias para el cambio energético", explica Paetzold.
Asistidos por métodos de IA, los investigadores se esfuerzan por mejorar los procesos de fabricación de células solares de perovskita altamente eficientes.
Amadeus Bramsiepe, KIT
La IA encuentra indicios ocultos de un recubrimiento eficaz
Para encontrar los factores que influyen en el recubrimiento, un equipo interdisciplinar formado por expertos en células solares de perovskita del KIT ha unido fuerzas con especialistas en aprendizaje automático e inteligencia artificial explicable (XAI) de Helmholtz Imaging y Helmholtz AI del DKFZ de Heidelberg. Los investigadores desarrollaron métodos de IA que entrenan y analizan redes neuronales utilizando un enorme conjunto de datos. Este conjunto de datos incluye grabaciones de vídeo que muestran la fotoluminiscencia de las finas capas de perovskita durante el proceso de fabricación. La fotoluminiscencia se refiere a la emisión radiante de las capas semiconductoras que han sido excitadas por una fuente de luz externa. "Dado que incluso los expertos no podían ver nada en particular en las capas delgadas, surgió la idea de entrenar un sistema de IA para Machine Learning (Deep Learning) para detectar signos ocultos de buen o mal recubrimiento a partir de los millones de datos de los vídeos", explican Lukas Klein y Sebastian Ziegler, de Helmholtz Imaging en el DKFZ.
Para filtrar y analizar las indicaciones tan dispersas que arrojó el sistema de IA de aprendizaje profundo, los investigadores se basaron posteriormente en métodos de Inteligencia Artificial Explicable.
"Un plan para la investigación de seguimiento"
Los investigadores descubrieron experimentalmente que la fotoluminiscencia varía durante la producción y que este fenómeno influye en la calidad del recubrimiento. "La clave de nuestro trabajo fue el uso selectivo de métodos XAI para ver qué factores hay que cambiar para obtener una célula solar de alta calidad", afirman Klein y Ziegler. Éste no es el enfoque habitual. En la mayoría de los casos, la XAI sólo se utiliza como una especie de quitamiedos para evitar errores al construir modelos de IA. "Se trata de un cambio de paradigma: Obtener conocimientos muy relevantes en la ciencia de los materiales de una forma tan sistemática es una experiencia totalmente nueva." De hecho, fue la conclusión extraída de la variación de la fotoluminiscencia lo que permitió a los investigadores dar el siguiente paso. Una vez entrenadas las redes neuronales, la IA fue capaz de predecir si cada célula solar alcanzaría un nivel de eficiencia alto o bajo en función de la variación de la emisión de luz que se produjera en cada momento del proceso de fabricación. "Estos resultados son extremadamente emocionantes", subraya Ulrich W. Paetzold. "Gracias al uso combinado de la IA, tenemos una pista sólida y sabemos qué parámetros hay que cambiar en primer lugar para mejorar la producción. Ahora podemos realizar nuestros experimentos de forma más específica y ya no nos vemos obligados a buscar con los ojos vendados la aguja en un pajar. Se trata de un modelo de investigación de seguimiento que también se aplica a muchos otros aspectos de la investigación energética y la ciencia de los materiales."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento investigación y desarrollo
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
