Nuevo programa de aprendizaje automático para acelerar la generación de energía limpia

Desde 'Terminator' y 'Blade Runner' hasta 'Matrix', Hollywood nos ha enseñado a desconfiar de la inteligencia artificial. Pero en lugar de sellar nuestra perdición en la gran pantalla, los algoritmos podrían ser al menos la solución a un problema debido a la crisis climática.

Unos investigadores del Centro de Excelencia en Ciencias de los Excitones del ARC han creado con éxito un nuevo tipo de modelo de aprendizaje automático para predecir la eficiencia de conversión de energía (PCE) de los materiales que se pueden utilizar en las células solares orgánicas de próxima generación, incluidos los compuestos "virtuales" que todavía no existen.

A diferencia de algunos modelos complicados y que requieren mucho tiempo, el reciente método es rápido, fácil de usar y el código está disponible gratuitamente para todos los científicos e ingenieros.

La clave para desarrollar un modelo más eficiente y fácil de usar fue sustituir los parámetros complicados y costosos desde el punto de vista informático, que requieren cálculos de mecánica cuántica, por descriptores más sencillos y químicamente interpretables de las moléculas que se analizan. Estos proporcionan datos importantes sobre los fragmentos químicos más significativos de los materiales que afectan a la PCE, generando información que puede utilizarse para diseñar materiales mejorados.

El nuevo método podría ayudar a acelerar significativamente el proceso de diseño de células solares más eficientes en un momento en que la demanda de energía renovable, y su importancia en la reducción de las emisiones de carbono, es mayor que nunca. Los resultados se publicaron en la revista Computational Materials de Nature.

Un ejemplo de una célula solar flexible de próxima generación. (Foto: Shutterstock/LuYago)

Tras décadas de depender del silicio, que es relativamente caro y carece de flexibilidad, la atención se centra cada vez más en las células solares fotovoltaicas orgánicas (OPV), que serán más baratas de fabricar mediante el uso de tecnologías de impresión, además de ser más versátiles y fáciles de desechar.

Uno de los principales desafíos es clasificar el enorme volumen de compuestos químicos potencialmente adecuados que pueden ser sintetizados (hechos a medida por los científicos) para su uso en los OPV.

Los investigadores han tratado de utilizar el aprendizaje automático antes de abordar esta cuestión, pero muchos de esos modelos consumían mucho tiempo, requerían una considerable potencia de procesamiento informático y eran difíciles de reproducir. Y, lo que es más importante, no proporcionaban suficiente orientación a los científicos experimentales que intentaban construir nuevos dispositivos solares.

Ahora, el trabajo dirigido por el Dr. Nastaran Meftahi y el Profesor Salvy Russo de la Universidad RMIT, en colaboración con el equipo del Profesor Udo Bach de la Universidad de Monash, ha abordado con éxito muchos de esos desafíos.

"La mayoría de los otros modelos utilizan descriptores electrónicos que son complicados y costosos desde el punto de vista computacional, y no son químicamente interpretables", dijo Nastaran.

"Ello significa que el químico o científico experimental no puede obtener ideas de esos modelos para diseñar y sintetizar materiales en el laboratorio. Pero si miran mis modelos, dado que usé descriptores simples, químicamente interpretables, pueden ver los fragmentos importantes".

El trabajo de Nastaran fue apoyado por su co-autor, el Profesor Dave Winkler, quien co-creó el programa BioModeller que proporcionó la base para el nuevo modelo de código abierto.

Con su uso, los investigadores han podido producir resultados robustos y predictivos, y generar, entre otros datos, relaciones cuantitativas entre las firmas moleculares que se están examinando y la eficiencia de los futuros dispositivos de OPV.

Nastaran y sus colegas tienen ahora la intención de ampliar el alcance de su trabajo para incluir conjuntos de datos computarizados y experimentales más grandes y precisos. (Fuente: NCYT Amazings)