Mejores materiales fotovoltaicos gracias a la IA
El aprendizaje automático acelera enormemente la búsqueda de nuevas moléculas semiconductoras para las células solares de perovskita
Las células solares de perovskita se consideran una alternativa flexible y sostenible a las células solares convencionales basadas en silicio. En pocas semanas, los investigadores han descubierto nuevas moléculas orgánicas que pueden utilizarse para aumentar la eficiencia de las células solares de perovskita. En el equipo internacional también participan científicos del Instituto Helmholtz Erlangen-Nuremberg de Energías Renovables (HI ERN), una rama del Forschungszentrum Jülich. Los científicos combinaron hábilmente el uso de la IA con la síntesis de alto rendimiento totalmente automatizada. La estrategia desarrollada puede trasladarse a otras áreas de la investigación de materiales, como la búsqueda de nuevos materiales para baterías. Los resultados del trabajo de investigación se publicaron en la revista Science.
Si se quiere encontrar el millón de moléculas que hacen que las células solares de perovskita sean especialmente eficientes como conductoras de carga positiva, hay que producir y probar ese millón de moléculas, o proceder como han hecho los investigadores dirigidos por el profesor titular Pascal Friederich, del Instituto de Nanotecnología del KIT, y el profesor Christoph Brabec, del HI ERN. "Con sólo 150 experimentos dirigidos se ha logrado un avance que, de otro modo, habría requerido cientos de miles de pruebas. El flujo de trabajo desarrollado abre nuevas posibilidades para el descubrimiento rápido y rentable de materiales de alto rendimiento en diversos campos de aplicación", afirma Brabec. Con uno de los materiales descubiertos de este modo, aumentaron la eficiencia de una célula solar de referencia en torno a un 2%, hasta el 26,2%. "Este éxito demuestra que una estrategia hábil puede ahorrar una enorme cantidad de tiempo y recursos a la hora de desarrollar nuevos materiales energéticos", afirma Friederich.
El punto de partida de HI ERN fue una base de datos que contenía las fórmulas estructurales de alrededor de un millón de moléculas virtuales que podían producirse a partir de sustancias disponibles en el mercado. Los investigadores del KIT utilizaron métodos establecidos de mecánica cuántica para calcular los niveles de energía, la polaridad, la geometría y otras características de 13.000 de estas moléculas virtuales seleccionadas al azar.
Entrenamiento de IA con datos de sólo 101 moléculas
De estas 13.000 moléculas, los investigadores seleccionaron 101 moléculas que diferían lo máximo posible en sus características. Estas moléculas se produjeron automáticamente en el HI ERN con la ayuda de un sistema robotizado y se utilizaron para fabricar células solares que, por lo demás, eran idénticas. A continuación midieron su eficiencia. "Gracias a nuestra plataforma de síntesis altamente automatizada, fue crucial para el éxito de nuestra estrategia producir muestras realmente comparables y así determinar valores fiables para la eficiencia", afirma Christoph Brabec, que dirigió el trabajo en HI ERN.
Los investigadores del KIT utilizaron los valores de eficiencia obtenidos y las características de las moléculas asociadas para entrenar un modelo de IA. A continuación, el modelo sugirió otras 48 moléculas para la síntesis, basándose en dos criterios: una alta eficiencia esperada y propiedades impredecibles. "Si el modelo de aprendizaje automático no está seguro de la eficacia prevista, merece la pena producir la molécula para analizarla más detenidamente", explica Pascal Friederich sobre el segundo criterio. "Podría sorprendernos con un alto grado de eficiencia".
De hecho, las moléculas propuestas por la IA podrían utilizarse para construir células solares con una eficiencia superior a la media, incluidas las que superan a otros materiales de última generación. "No podemos estar seguros de haber encontrado realmente la mejor de un millón de moléculas, pero sin duda estamos cerca de la óptima", afirma Friederich.
La IA frente a la intuición química
Los investigadores pueden entender hasta cierto punto las sugerencias moleculares de la IA, ya que ésta indica qué características de las moléculas virtuales fueron decisivas para sus sugerencias. Resultó que las sugerencias de la IA también se basaban en parte en características a las que los químicos habían prestado menos atención anteriormente, por ejemplo la presencia de determinados grupos químicos como las aminas.
Christoph Brabec y Pascal Friederich están convencidos de que su estrategia también es prometedora para la investigación de materiales en otros ámbitos de aplicación o puede ampliarse a la optimización de componentes enteros.
Los resultados de la investigación, obtenidos en colaboración con investigadores de la Universidad de Erlangen-Nuremberg, el Instituto Nacional de Ciencia de Ulsan (Corea del Sur), la Universidad china de Xiamen y la Universidad de Ciencia y Tecnología Electrónica de Chengdu (China), se han publicado recientemente en la revista "Science".
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 Alemán se puede encontrar aquí.
Publicación original
Jianchang Wu, Luca Torresi, ManMan Hu, Patrick Reiser, Jiyun Zhang, Juan S. Rocha-Ortiz, Luyao Wang, Zhiqiang Xie, Kaicheng Zhang, Byung-wook Park, Anastasia Barabash, Yicheng Zhao, Junsheng Luo, Yunuo Wang, Larry Lüer, Lin-Long Deng, Jens A. Hauch, Dirk M. Guldi, M. Eugenia Pérez-Ojeda, Sang Il Seok, Pascal Friederich, Christoph J. Brabec; "Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells"; Science, Volume 386
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
