Investigadores australianos han presentado una nueva plataforma de inteligencia artificial (IA) que tiene el potencial de acelerar el desarrollo de células solares de próxima generación más baratas y de mayor rendimiento, con la capacidad de descubrir nuevos materiales que aún no existen y que podría jugar un papel clave para evitar la crisis climática.
Según informa el portal de energía australiano reneweconomy, investigadores del ARC Centre of Excellence in Exciton Science de Melbourne han demostrado con éxito un nuevo tipo de modelo de aprendizaje automático que es capaz de predecir la eficiencia de conversión de energía de nuevos materiales, incluidos los utilizados en las células solares orgánicas (OPV) de próxima generación.
El modelo, desarrollado por los investigadores de las universidades RMIT y Monash, permite a los científicos modelar 'materiales virtuales' que aún no existen, lo que permite acelerar el progreso hacia el desarrollo de células solares más baratas y de mayor rendimiento.
Según una nueva investigación publicada en la revista Computational Materials , la nueva plataforma de inteligencia artificial es significativamente más rápida que otros programas de aprendizaje automático, y su código fuente se ha lanzado gratuitamente para que lo utilicen otros investigadores.
Los investigadores creen que el nuevo modelo podría ayudar a acelerar el desarrollo de células solares orgánicas económicas y eficientes, vistas como una alternativa potencialmente más barata a las células solares tradicionales basadas en silicio, pero que aún no han logrado un despliegue comercial a gran escala.
Existe una amplia gama de materiales potenciales que podrían ser adecuados para su uso en células solares orgánicas, y la identificación de los materiales óptimos ha sido el foco de una cantidad significativa de investigación en energía solar. El uso de algoritmos de inteligencia artificial tiene el potencial de acelerar la evaluación de materiales prospectivos, así como de materiales que aún no se han creado, modelando versiones virtuales de los materiales usando ordenadores.
Los investigadores dicen que el uso de inteligencia artificial también proporcionaría resultados potencialmente más consistentes que los experimentos de laboratorio en materiales prospectivos, lo que permitiría bases más consistentes para la comparación.
“Nuestro objetivo es demostrar que los descriptores moleculares simples e interpretables y los métodos de aprendizaje automático pueden modelar y predecir importantes propiedades fotovoltaicas orgánicas”, dice el artículo de investigación.
“Si bien es claramente ideal modelar las propiedades medidas experimentalmente de forma directa, hay muchas variables que pueden afectar las métricas de rendimiento fotovoltaico orgánico, por ejemplo, el diseño del dispositivo; condiciones de procesamiento; dopantes, tintes, disolventes y otros aditivos; y otros. Por lo tanto, las propiedades fotovoltaicas orgánicas medidas pueden variar de un experimento a otro y entre laboratorios".
Los algoritmos de aprendizaje automático anteriores han sido computacionalmente intensivos y costosos, involucrando cálculos a nivel cuántico, disminuyendo la velocidad a la que se podían evaluar nuevos materiales y requiriendo el uso de una gran cantidad de recursos computacionales.
Sin embargo, los investigadores del ARC Centre of Excellence in Exciton Science desarrollaron un nuevo modelo que utiliza 'descriptores de firma químicamente interpretables' de los materiales que se analizan, lo que reduce en gran medida la cantidad de recursos computacionales necesarios, al tiempo que proporciona suficiente información sobre el comportamiento de los materiales en aplicaciones como células solares.
"La mayoría de los otros modelos utilizan descriptores electrónicos que son complicados y computacionalmente costosos, y no son químicamente interpretables", dijo la investigadora principal, Nastaran Meftahi.
“Significa que el químico o científico experimental no puede obtener ideas de esos modelos para diseñar y sintetizar materiales en el laboratorio. Si miran mis modelos, porque utilicé descriptores simples, químicamente interpretables, pueden ver los fragmentos importantes ".
El modelo se ha desarrollado a través de una asociación con otras instituciones de investigación australianas, como Data 61 de CSIRO, la Universidad de Monash, la Universidad de La Trobe y la Universidad de Nottingham del Reino Unido.
Deja tu comentario
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios