El Laboratorio Nacional de Argonne del Departamento de Energía de EE.UU. ha desarrollado un método de aprendizaje automático para seleccionar miles de compuestos como absorbentes solares y contribuir a la producción de energía.

El sol transmite continuamente billones de vatios de energía a la Tierra. Lo hará durante miles de millones de años más. Sin embargo, apenas hemos empezado a aprovechar esa fuente de energía abundante y renovable a un coste asequible.

Los absorbentes solares son un material utilizado para convertir esta energía en calor o electricidad. Maria Chan, científica del Laboratorio Nacional de Argonne del Departamento de Energía de EE.UU. (DOE), ha desarrollado un método de aprendizaje automático para seleccionar miles de compuestos como absorbentes solares. Su coautor en este proyecto fue Arun Mannodi-Kanakkithodi, un antiguo postdoc de Argonne que ahora es profesor adjunto en la Universidad de Purdue.

«Según un reciente estudio del DOE, en 2035 la energía solar podría alimentar el 40% de la electricidad del país», dijo Chan. «Y podría ayudar a descarbonizar la red y proporcionar muchos nuevos puestos de trabajo».

Chan y Mannodi-Kanakkithodi apuestan por que el aprendizaje automático desempeñará un papel fundamental en la consecución de ese elevado objetivo. 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 predicciones cada vez mejores.

Nuevos materiales

En la época de Thomas Edison, los científicos descubrían nuevos materiales mediante el laborioso proceso de prueba y error con muchos candidatos diferentes hasta que uno funcionaba. En las últimas décadas, también han recurrido a cálculos muy laboriosos que requerían hasta mil horas para predecir las propiedades de un material. Ahora, pueden acortar ambos procesos de descubrimiento recurriendo al aprendizaje automático.

En la actualidad, el principal absorbente de las células solares es el silicio o el teluro de cadmio. Este tipo de células son ya habituales. Sin embargo, su fabricación sigue siendo bastante cara y requiere mucha energía.

El equipo utilizó su método de aprendizaje automático para evaluar las propiedades de la energía solar de un tipo de material llamado perovskita 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.

«A diferencia del silicio o el teluro de cadmio, las posibles variaciones de los haluros combinados con las perovskitas son esencialmente ilimitadas», afirma Chan. «Por tanto, existe una necesidad urgente de desarrollar un método que pueda reducir los candidatos prometedores a un número manejable. Para ello, el aprendizaje automático es una herramienta perfecta».

El equipo entrenó su método con datos de unos cientos de composiciones de perovskita de haluro, y luego lo aplicó 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, la estructura que no se rompe fácilmente debido a los defectos, etc. Los cálculos coincidieron 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 Chan. «Así que estamos muy ilusionados».

Predicciones del experimento

El siguiente paso será comprobar 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 aúna la potencia de la robótica con la IA 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 de aprendizaje automático.

«Estamos realmente en una nueva era de aplicación de la IA 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».

Esta investigación se recoge en un artículo en Energy & Environmental Science, titulado «Data-driven design of novel halide perovskite alloy». La investigación contó con el apoyo de la Oficina de Ciencia del DOE. Los investigadores utilizaron los recursos informáticos del National Energy Research Scientific Computing Center, una instalación de usuarios de la Oficina de Ciencia del DOE, y Bebop, operado por el Laboratory Computing Resource Center de Argonne.