Mejores paneles solares con el aprendizaje automático

Los paneles solares que se comercializan habitualmente entre el consumidor general no son ni de lo lejos los más avanzados ni lo más eficaces. Estos, con un coste mucho más elevado, se utilizan a bordo de naves espaciales y en aplicaciones especiales donde una generación eléctrica óptima sea más importante que su coste.

Sin embargo, es posible que estas tecnologías alcancen algún día el mercado y su precio pueda ser asumido por el usuario normal. Una de las formas de lograrlo es diseñar células solares mejores y más baratas, así como más duraderas, para lo cual se necesitan herramientas de ingeniería que hay que desarrollar aún.

En este campo, unos investigadores están desarrollando herramientas de aprendizaje automático para ayudarles a cambiar el guión de diseño y acelerar el desarrollo de la tecnología.

No les interesa la forma tradicional, incremental y costosa de realizar experimentos, recoger datos y aplicar esas respuestas a los diseños tecnológicos. Quieren empezar con la respuesta, en este caso mejores células solares, y utilizar el aprendizaje automático para escanear los datos ya existentes, aprender patrones, hacer predicciones y ayudarles a alcanzar rápidamente su objetivo de diseño.

"¿Puedo eludir la necesidad de una costosa recopilación de datos utilizando los conocimientos que ya están disponibles?", se preguntaron Baskar Ganapathysubramanian, de la Universidad del Estado de Iowa, y líder de un nuevo esfuerzo para desarrollar aprendizaje automático para el diseño de tecnología.

Los investigadores creen que la respuesta es sí.

Una reciente subvención de hasta 2 millones de dólares en dos años de la Agencia de Proyectos de Investigación Avanzada del Departamento de Energía de los Estados Unidos - Energía (ARPA-E) apoyará su exploración de esa idea. El proyecto dirigido por el estado de Iowa es uno de los 23 apoyados por hasta 15 millones de dólares del programa DIFFERENTIATE de la agencia de investigación dedicado a acelerar la búsqueda de innovaciones energéticas.

Además de Ganapathysubramanian, el equipo de investigación incluye a Adarsh Krishnamurthy, un profesor asistente de ingeniería mecánica de la Estatal de Iowa; Soumik Sarkar, un profesor asociado de ingeniería mecánica de la misma universidad; Chinmay Hegde, anteriormente de la Estatal de Iowa, ahora profesor asistente de la Escuela de Ingeniería Tandon de la Universidad de Nueva York; Zhenan Bao, jefe de ingeniería química y K. K. Lee en la Universidad de Stanford en California; Ross Larsen, científico principal del Laboratorio Nacional de Energías Renovables (NREL) en Colorado; y Bryon Larson, investigador del NREL.

Ganapathysubramanian dijo que el objetivo inmediato del proyecto es desarrollar la teoría de aprendizaje automático y las herramientas de software que permitirán la rápida identificación de las estructuras orgánicas de película delgada que mejoran el rendimiento de las células solares y son fáciles de fabricar. El objetivo más amplio es demostrar que el aprendizaje automático puede ayudar a diseñar rápidamente todo tipo de tecnologías.

"Estamos buscando una forma no tradicional de hacer aprendizaje automático, estamos haciendo ciencia con aprendizaje automático", dijo Sarkar, que estudia el aprendizaje automático y la inteligencia artificial. "El aprendizaje automático se ha utilizado para hacerle su próxima recomendación de Netflix. La nueva frontera está tratando de ver si el aprendizaje automático puede ayudar a los ingenieros o científicos a hacer mejor la ingeniería o la ciencia”.

El aprendizaje automático ayudó a los investigadores a diseñar una nueva forma de combinar dos materiales en las células solares para una mejor producción de energía. (Foto: Baskar Ganapathysubramanian/Iowa State University)

Diseño más optimizado con el aprendizaje automático

En este caso, la idea básica es utilizar el aprendizaje automático para ayudar a los investigadores a invertir y acelerar el proceso de diseño, dijo Ganapathysubramanian.

Digamos que queremos diseñar coches que vayan a 100 km por galón de gasolina (unos 3,7 litros). En lugar del lento y costoso proceso de intentar y probar un cambio cada vez - mejor aerodinámica por aquí, materiales más ligeros por allá, nueva tecnología de motores bajo el capó - el nuevo proceso utilizaría el aprendizaje automático para analizar los datos existentes así como nuevos modelos de computadora para llegar a un diseño inicial capaz de alcanzar las 100 km por galón.

Krishnamurthy, quien estudia diseño asistido por ordenador y modelado en 3-D, dijo que ha trabajado con Sarkar en proyectos similares que han utilizado el aprendizaje automático para mejorar la fabricación. Específicamente, han estudiado cómo el aprendizaje automático puede generalizar las reglas de diseño para fabricación con el objetivo de identificar características difíciles de fabricar en una pieza compleja. Esto ha acelerado el proceso de diseño y ha ayudado a identificar los cuellos de botella de la fabricación en la etapa de diseño.

Una vez que la nueva herramienta de aprendizaje automático del equipo de investigación haya conseguido diseños para mejores células solares, la posibilidad de fabricación y el rendimiento del dispositivo serán probados por el grupo de investigación de Bao en Stanford. Larsen y Larson en el NREL proporcionarán datos sobre las propiedades de los materiales y también probarán el rendimiento de los mismos.

Si bien obtener mejores células solares es algo ciertamente bueno, Ganapathysubramanian dijo que eso no es lo mejor que podría venir de este proyecto.

"Los resultados más importantes van a ser herramientas de teoría y software que nos permitan diseñar nuevas tecnologías de una manera rápida y ágil", dijo. "Ese es el resultado clave que ARPA-E espera". (Fuente: NCYT Amazings)