Las perovskitas son una familia de materiales que actualmente son los principales contendientes para reemplazar potencialmente a la energía solar fotovoltaica basada en silicio de la actualidad. Mantienen la promesa de paneles que son mucho más delgados y livianos, que podrían fabricarse con un rendimiento ultra alto a temperatura ambiente en lugar de a cientos de grados, y que son más baratos y fáciles de transportar e instalar. Pero llevar estos materiales de experimentos de laboratorio controlados a un producto que se pueda fabricar de manera competitiva ha sido una larga lucha.
La fabricación de células solares basadas en perovskita implica optimizar al menos una docena de variables a la vez, incluso dentro de un enfoque de fabricación particular entre muchas posibilidades. Pero un nuevo sistema basado en un enfoque novedoso del aprendizaje automático podría acelerar el desarrollo de métodos de producción optimizados y ayudar a hacer realidad la próxima generación de energía solar.
El sistema, desarrollado por investigadores del MIT y la Universidad de Stanford en los últimos años, permite integrar datos de experimentos anteriores e información basada en observaciones personales de trabajadores experimentados en el proceso de aprendizaje automático. Esto hace que los resultados sean más precisos y ya ha llevado a la fabricación de celdas de perovskita con una eficiencia de conversión de energía del 18,5 por ciento, un nivel competitivo para el mercado actual.
La investigación se publica en la revista Jouleen un artículo del profesor de ingeniería mecánica del MIT, Tonio Buonassisi, el profesor de ciencia e ingeniería de materiales de Stanford, Reinhold Dauskardt, el reciente asistente de investigación del MIT, Zhe Liu, el graduado de doctorado de Stanford, Nicholas Rolston, y otros tres.
Las perovskitas son un grupo de compuestos cristalinos en capas definidos por la configuración de los átomos en su red cristalina. Hay miles de tales compuestos posibles y muchas formas diferentes de hacerlos. Si bien la mayoría del desarrollo a escala de laboratorio de materiales de perovskita utiliza una técnica de recubrimiento por rotación, eso no es práctico para la fabricación a gran escala, por lo que las empresas y laboratorios de todo el mundo han estado buscando formas de traducir estos materiales de laboratorio en un producto práctico y fabricable.
«Siempre hay un gran desafío cuando se trata de tomar un proceso a escala de laboratorio y luego transferirlo a algo como una puesta en marcha o una línea de fabricación», dice Rolston, quien ahora es profesor asistente en la Universidad Estatal de Arizona. El equipo analizó un proceso que, en su opinión, tenía el mayor potencial, un método llamado procesamiento rápido de plasma por aspersión o RSPP.
El proceso de fabricación involucraría una superficie móvil de rollo a rollo, o una serie de hojas, sobre las cuales las soluciones precursoras del compuesto de perovskita serían rociadas o inyectadas con tinta a medida que la hoja pasa rodando. Luego, el material pasaría a una etapa de curado, proporcionando una salida rápida y continua «con rendimientos que son más altos que los de cualquier otra tecnología fotovoltaica», dice Rolston.
«El verdadero avance con esta plataforma es que nos permitiría escalar de una manera que ningún otro material nos ha permitido hacer», agrega. «Incluso los materiales como el silicio requieren un período de tiempo mucho más largo debido al procesamiento que se realiza. Mientras que puede pensar en [this approach as more] como pintura en aerosol».
Dentro de ese proceso, al menos una docena de variables pueden afectar el resultado, algunas de ellas más controlables que otras. Estos incluyen la composición de los materiales de partida, la temperatura, la humedad, la velocidad de la ruta de procesamiento, la distancia de la boquilla utilizada para rociar el material sobre un sustrato y los métodos de curado del material. Muchos de estos factores pueden interactuar entre sí, y si el proceso es al aire libre, entonces la humedad, por ejemplo, puede estar descontrolada. Es imposible evaluar todas las combinaciones posibles de estas variables a través de la experimentación, por lo que se necesitaba el aprendizaje automático para ayudar a guiar el proceso experimental.
Pero aunque la mayoría de los sistemas de aprendizaje automático utilizan datos sin procesar, como mediciones de las propiedades eléctricas y de otro tipo de las muestras de prueba, normalmente no incorporan la experiencia humana, como las observaciones cualitativas realizadas por los experimentadores de las propiedades visuales y de otro tipo de las muestras de prueba. o información de otros experimentos reportados por otros investigadores. Entonces, el equipo encontró una manera de incorporar dicha información externa en el modelo de aprendizaje automático, usando un factor de probabilidad basado en una técnica matemática llamada Optimización Bayesiana.
Usando el sistema, dice, «teniendo un modelo que proviene de datos experimentales, podemos descubrir tendencias que no podíamos ver antes». Por ejemplo, inicialmente tuvieron problemas para adaptarse a las variaciones incontroladas de humedad en su ambiente. Pero el modelo les mostró «que podíamos superar nuestros desafíos de humedad cambiando la temperatura, por ejemplo, y cambiando algunas de las otras perillas».
El sistema ahora permite a los experimentadores guiar su proceso mucho más rápidamente para optimizarlo para un conjunto dado de condiciones o resultados requeridos. En sus experimentos, el equipo se centró en optimizar la potencia de salida, pero el sistema también podría usarse para incorporar simultáneamente otros criterios, como el costo y la durabilidad, algo en lo que los miembros del equipo continúan trabajando, dice Buonassisi.
Los investigadores fueron alentados por el Departamento de Energía, que patrocinó el trabajo, a comercializar la tecnología, y actualmente se están enfocando en la transferencia de tecnología a los fabricantes de perovskita existentes. «Nos estamos acercando a las empresas ahora», dice Buonassisi, y el código que desarrollaron está disponible gratuitamente a través de un servidor de código abierto. «Ahora está en GitHub, cualquiera puede descargarlo, cualquiera puede ejecutarlo», dice. «Nos complace ayudar a las empresas a comenzar a usar nuestro código».
Varias empresas ya se están preparando para producir paneles solares a base de perovskita, aunque todavía están trabajando en los detalles de cómo producirlos, dice Liu, que ahora trabaja en la Universidad Politécnica del Noroeste en Xi’an, China. Él dice que las empresas aún no están fabricando a gran escala, sino que comienzan con aplicaciones más pequeñas y de alto valor, como paneles solares integrados en edificios, donde la apariencia es importante. Tres de estas empresas «van por buen camino o están siendo empujadas por inversores para fabricar módulos rectangulares de 1 metro por 2 metros [comparable to today’s most common solar panels]dentro de dos años», dice.
«El problema es que no tienen un consenso sobre qué tecnología de fabricación usar», dice Liu. El método RSPP, desarrollado en Stanford, «todavía tiene una buena oportunidad» de ser competitivo, dice. Y el sistema de aprendizaje automático el equipo desarrollado podría resultar importante para guiar la optimización de cualquier proceso que termine siendo utilizado.
«El objetivo principal era acelerar el proceso, por lo que requirió menos tiempo, menos experimentos y menos horas humanas para desarrollar algo que se pueda usar de inmediato, de forma gratuita, para la industria», dice.
El equipo también incluyó a Austin Flick y Thomas Colburn en Stanford y Zekun Ren en la Alianza Singapur-MIT para la Ciencia y la Tecnología (SMART). Además del Departamento de Energía, el trabajo fue apoyado por una beca de la Iniciativa de Energía del MIT, el Programa de Becas de Investigación para Graduados de la Fundación Nacional de Ciencias y el programa SMART.
