El estudio utilizó el aprendizaje automático y la inteligencia artificial explicable para analizar la fotoluminiscencia de capas finas de perovskita durante el proceso de fabricación, revelando signos ocultos de la calidad del recubrimiento.
Este enfoque asistido por IA supone un cambio de paradigma en la ciencia de los materiales, ya que proporciona conocimientos sistemáticos que permiten mejoras específicas en la producción de células solares.
Investigadores del Karlsruher Institut für Technologie (KIT) y de dos plataformas Helmholtz -Helmholtz Imaging en el Centro Alemán de Investigación del Cáncer (DKFZ) y Helmholtz AI- han logrado encontrar una forma de predecir la calidad de las capas de perovskita y, en consecuencia, la de las células solares resultantes, con la ayuda del aprendizaje automático.
Los nuevos métodos de inteligencia artificial (IA) permiten evaluar su calidad a partir de las variaciones en la emisión de luz durante el proceso de fabricación.
La aplicación con éxito de la IA en la fabricación de células solares no sólo mejora la eficiencia de las células solares de perovskita, sino que también sirve de modelo para futuras investigaciones en energía y ciencia de los materiales.
Por ejemplo, las células solares en tándem de perovskita combinan una célula solar de perovskita con una célula solar convencional basada en silicio. Estas células se consideran una tecnología de nueva generación: Actualmente tienen una eficiencia de más del 33%, muy superior a la de las células solares de silicio convencionales.
Además, utilizan materias primas baratas y son fáciles de fabricar. Para que esta tecnología esté lista para el mercado, son necesarias nuevas mejoras en cuanto a estabilidad y procesos de fabricación.
Para alcanzar este nivel de eficiencia, hay que producir una capa de perovskita de alto grado extremadamente fina, cuyo grosor es sólo una fracción del de un cabello humano.
El profesor titular Ulrich W. Paetzold, que investiga en el Instituto de Tecnología de Microestructuras y el Instituto de Tecnología de la Luz del KIT, ha declarado: «Fabricar estas capas finas multicristalinas de alto grado sin deficiencias ni agujeros con métodos de bajo costo y escalables es uno de los mayores retos».
Incluso en condiciones de laboratorio aparentemente perfectas, puede haber factores desconocidos que provoquen variaciones en la calidad de las capas semiconductoras:
«Este inconveniente acaba impidiendo el rápido inicio de la producción a escala industrial de estas células solares de alta eficiencia, tan necesarias para el cambio energético», explica Paetzold.
La IA descubre indicios ocultos de un eficaz recubrimiento
Para encontrar los factores que influyen en el recubrimiento, un equipo interdisciplinar formado por expertos en células solares de perovskita del KIT ha unido fuerzas con especialistas en aprendizaje automático e inteligencia artificial explicable (XAI) de Helmholtz Imaging y Helmholtz AI del DKFZ de Heidelberg.
Los investigadores desarrollaron métodos de IA que entrenan y analizan redes neuronales utilizando un enorme conjunto de datos. Este conjunto de datos incluye grabaciones de vídeo que muestran la fotoluminiscencia de las finas capas de perovskita durante el proceso de fabricación.
La fotoluminiscencia se refiere a la emisión radiante de las capas semiconductoras que han sido excitadas por una fuente de luz externa.
Lukas Klein y Sebastian Ziegler, de Helmholtz Imaging en el DKFZ, explicaron:
«Dado que incluso los expertos no podían ver nada en particular en las capas delgadas, nació la idea de entrenar un sistema de IA para Machine Learning (Deep Learning) para detectar signos ocultos de buen o mal recubrimiento a partir de los millones de datos de los vídeos».
Para filtrar y analizar los indicios tan dispersos que arrojaba el sistema de IA de Aprendizaje Profundo, los investigadores se basaron posteriormente en métodos de Inteligencia Artificial Explicable.
Un plan para la investigación de seguimiento
Los investigadores descubrieron experimentalmente que la fotoluminiscencia varía durante la producción y que este fenómeno influye en la calidad del revestimiento.
«La clave de nuestro trabajo fue el uso específico de métodos XAI (Explainable IA) para ver qué factores hay que cambiar para obtener una célula solar de alta calidad», afirman Klein y Ziegler.
Éste no es el enfoque habitual. En la mayoría de los casos, la XAI sólo se utiliza como una especie de quitamiedos para evitar errores al construir modelos de IA.
«Se trata de un cambio de paradigma: Obtener conocimientos de gran relevancia en la ciencia de los materiales de una forma tan sistemática es una experiencia totalmente nueva».
De hecho, fue la conclusión extraída de la variación de la fotoluminiscencia lo que permitió a los investigadores dar el siguiente paso. Una vez entrenadas las redes neuronales, la IA fue capaz de predecir si cada célula solar alcanzaría un nivel de eficiencia alto o bajo en función de la variación de la emisión de luz que se produjera en cada momento del proceso de fabricación.
«Son resultados muy interesantes», subraya Ulrich W. Paetzold. «Gracias al uso combinado de la IA, tenemos una pista sólida y sabemos qué parámetros deben modificarse en primer lugar para mejorar la producción».
Ahora podemos realizar nuestros experimentos de forma más específica y ya no nos vemos obligados a buscar con los ojos vendados la aguja en un pajar.
«Se trata de un modelo para la investigación de seguimiento que también se aplica a muchos otros aspectos de la investigación energética y la ciencia de los materiales».
Aunque esta investigación se realizó en el campo de la energía solar, podemos estar seguros de que otros campos de la fabricación estudiarán cómo utilizar la IA para mejorar la producción, los procesos, la calidad, la competitividad y la rentabilidad.