Científicos del Laboratorio Nacional de Argonne del Departamento de Energía de EE.UU. (DOE) han desarrollado un algoritmo que utiliza la inteligencia artificial para seleccionar materiales que puedan utilizarse como absorbentes solares.
Un estudio reciente del DOE sugiere que la energía solar podría alimentar el 40% de la electricidad del país en 2035. Según los investigadores, el aprendizaje automático desempeñará un papel fundamental en la consecución de este elevado objetivo.
Inteligencia artificial para impulsar el descubrimiento
El aprendizaje automático, una forma de inteligencia artificial (IA), utiliza una combinación de grandes conjuntos de datos y algoritmos para imitar el modo en que aprenden los humanos. Aprende a partir del entrenamiento con datos de muestra y experiencias anteriores para hacer mejores predicciones.
Los absorbentes solares son materiales utilizados para convertir esta energía en calor o electricidad, con un método de aprendizaje automático ahora se puede seleccionar miles de compuestos como absorbentes solares.
Actualmente, el principal absorbente de las células solares es el silicio o el teluro de cadmio. Pero su fabricación sigue siendo bastante cara y requiere mucha energía. Los investigadores utilizan su método de aprendizaje automático para evaluar las propiedades de la energía solar de una clase de materiales llamados perovskitas de haluro.
En la última década, muchos investigadores han estudiado las perovskitas por su notable eficacia a la hora de convertir la luz solar en electricidad. Además, ofrecen la perspectiva de un coste y un gasto de energía mucho menores para la preparación del material y la construcción de las células.
Los investigadores de Argonne entrenaron su método con los datos de unos pocos cientos de composiciones de perovskita de haluro, y luego lo aplicaron a más de 18.000 composiciones como caso de prueba.
El método evaluó estas composiciones en función de propiedades clave como la estabilidad, la capacidad de absorción de la luz solar, una estructura que no se rompe fácilmente debido a los defectos, etc. Comprobaron que el cálculo coincidía con los datos pertinentes de la literatura científica. Además, los resultados redujeron el número de composiciones dignas de estudio a unas 400.
«Nuestra lista de candidatos incluye compuestos que ya se han estudiado, compuestos que nadie ha estudiado nunca e incluso compuestos que no estaban entre los 18.000 originales», dijo Maria Chan, que dirigió la investigación. «Así que estamos muy ilusionados».
El equipo planea poner a prueba las predicciones mediante experimentos. El escenario ideal sería utilizar un laboratorio de descubrimiento autónomo, como Polybot en el Centro de Materiales a Nanoescala (CNM) de Argonne, una instalación de usuarios de la Oficina de Ciencia del DOE. Polybot reúne la potencia de la robótica con la inteligencia artificial para impulsar el descubrimiento científico con poca o ninguna intervención humana.
Al utilizar la experimentación autónoma para sintetizar, caracterizar y probar los mejores de sus pocos cientos de candidatos principales, Chan y su equipo prevén que también pueden mejorar el método actual del aprendizaje automático.
«Estamos realmente en una nueva era de aplicación de la Inteligencia Artificial y la computación de alto rendimiento al descubrimiento de materiales», dijo Chan. «Además de las células solares, nuestra metodología de diseño podría aplicarse a los LED y a los sensores infrarrojos».