Las células solares de perovskita son una alternativa flexible y sostenible a las células solares convencionales basadas en silicio. Investigadores del Instituto Tecnológico de Karlsruhe (KIT) forman parte de un equipo internacional que logró encontrar, en tan sólo unas 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 la investigación de materiales, como la búsqueda de nuevos materiales para baterías.
Para descubrir cuál entre un millón de moléculas diferentes conduciría cargas positivas y haría que las células solares de perovskita fueran particularmente eficientes, sería necesario sintetizarlas y probarlas todas, o hacer como los investigadores encabezados por el profesor titular Pascal Friederich, quien se especializa en las aplicaciones de la IA en la ciencia de materiales en el Instituto de Nanotecnología de KIT, y el profesor Christoph Brabec del Instituto Helmholtz Erlangen-Nürnberg (HI ERN). «Con sólo 150 experimentos específicos, pudimos lograr un avance que de otro modo habría requerido cientos de miles de pruebas. El flujo de trabajo que hemos desarrollado abrirá nuevas formas de descubrir de forma rápida y económica 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, hasta el 26,2 por ciento. «Nuestro éxito demuestra que se pueden ahorrar enormes cantidades de tiempo y recursos aplicando estrategias hábiles para el descubrimiento de nuevos materiales energéticos», afirmó Friedrich.
El punto de partida del HI ERN fue una base de datos con fórmulas estructurales de aproximadamente un millón de moléculas virtuales que podrían sintetizarse a partir de sustancias disponibles comercialmente. De estas moléculas virtuales, se seleccionaron al azar 13.000. 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 las 13.000 moléculas, los científicos eligieron 101 con las mayores diferencias en sus propiedades, las sintetizaron con sistemas robóticos en HI ERN, las utilizaron para producir 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, por lo tanto, poder determinar valores de eficiencia confiables fue crucial para el éxito de nuestra estrategia», dijo Brabec, quien dirigió el trabajo en HI ERN.
Los investigadores de KIT utilizaron las eficiencias logradas 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 no está seguro de la eficiencia prevista, vale la pena sintetizar la molécula y observarla más de cerca», dijo Friederich, explicando el segundo criterio. «Podría sorprendernos con su alto nivel de eficiencia».
Utilizando las moléculas sugeridas por la IA, fue posible construir células solares con una eficiencia superior a la media, algunas de las cuales superan las capacidades de los materiales más avanzados que se utilizan actualmente. «No podemos estar seguros de haber encontrado realmente la mejor entre un millón de moléculas, pero ciertamente estamos cerca del óptimo», dijo Friederich.
IA versus intuición química
Dado que los investigadores utilizaron una IA que indica en qué propiedades de las moléculas virtuales se basaban sus sugerencias, pudieron obtener una idea de las moléculas que sugería. 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 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 realizada en colaboración con 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.
