Investigadores del Instituto de Ciencia de Materiales de Barcelona (ICMAB), adscritos a la Conexión AIHUB, han desarrollado un sistema que predice cómo será el rendimiento de las células solares orgánicas en función de su composición específica y su diseño. Dirigido por el investigador Mariano Campoy-Quiles, el equipo del ICMAB-CSIC ha utilizado una metodología basada en el cribado combinatorio en la que generan muestras con gradientes en los parámetros que más afectan al rendimiento de las células solares orgánicas, como su composición y su grosor.
Los algoritmos de IA en el campo de la ciencia de materiales se emplean principalmente para buscar patrones de comportamiento y así desarrollar modelos predictivos del comportamiento de una familia de materiales para una aplicación determinada. En este estudio específico, los algoritmos de IA se entrenan con miles de puntos obtenidos con un método experimental de alto rendimiento para evaluar y predecir los diferentes factores que determinan la eficiencia de una célula solar orgánica.
«Dentro del amplio campo de la IA aplicamos el aprendizaje automático (machine learning), que es un término que recoge todo tipo de algoritmos que confieren a las máquinas la capacidad de aprender a partir de un determinado conjunto de datos, pero no necesariamente de tomar decisiones autónomas. Aquí explotamos la visión más estadística de la IA para extraer modelos predictivos de nuestros amplios conjuntos de datos experimentales«, explica Xabier Rodríguez Martínez, investigador del ICMAB-CSIC y primer autor del estudio.
Este estudio representa dos grandes logros. Por un lado, el desarrollo de modelos de IA que predicen cómo la eficiencia depende de muchos de los parámetros de las celdas solares orgánicas. El grado de predicción es muy alto incluso para los materiales que no han sido utilizados en el conjunto inicial de entrenamiento del algoritmo.
«El segundo punto importante es que, gracias a la IA, hemos determinado cuáles son los parámetros físicos que afectan en mayor medida dicho comportamiento», dice Mariano Campoy-Quiles. «Nuestro próximo reto es entender sistemas mucho más complejos, como por ejemplo sistemas multicomponentes. Por otro lado, también estamos muy interesados en colaborar con expertos en Deep Learning para ir un paso más allá, y ser capaz de predecir nuevos materiales que sean altamente eficientes para aplicaciones energéticas», concluye el investigador.
Los resultados del estudio han sido publicados en la revista Energy & Environmental Science (DOI: 10.1039/D0EE02958K).
Proceso empleado en este estudio para predecir como depende la eficiencia fotovoltaica de la composición de la capa fotoactiva, la cual está compuesta por un material aceptor y otro donante de electrones. Primero se generan miles de puntos experimentales de fotocorriente para cada sistema aceptor/donante utilizando métodos de alto rendimiento. El panel de la izquierda muestra un ejemplo. Los (miles de) datos de unos diez sistemas aceptor/donante se emplean para entrenar distintos algoritmos de machine learning. Los modelos se validan usando nuevos sistemas, no empleados en el entrenamiento. Una vez validado, el modelo, se emplea para predecir el rendimiento fotovoltaico de nuevas combinaciones de aceptores y donantes.