Artículo

Inteligencia artificial para predecir el rendimiento de células solares orgánicas

21 views

Saber cómo predecir la composición específica y el diseño de la célula solar que daría lugar a un rendimiento óptimo es uno de los mayores problemas no resueltos en el campo de la ciencia de materiales. Esto se debe, en parte, al hecho de que el rendimiento del dispositivo depende de múltiples factores.

 

Ahora, investigadores del Instituto de Ciencia de Materiales de Barcelona (ICMAB), especializado en materiales para aplicaciones energéticas, han colaborado con investigadores de la Universitat Rovira i Virgili (URV) especializados en inteligencia artificial, para combinar los datos experimentales que recogen con algoritmos de inteligencia artificial y permitir una capacidad de predicción sin precedentes del rendimiento de las células solares orgánicas.

 

Los investigadores del ICMAB, dirigidos por Mariano Campoy-Quiles, han generado múltiples conjuntos de datos utilizando un nuevo método experimental que les permite disponer de un gran número de muestras en una sola, lo que acelera el proceso en comparación con los métodos convencionales. A continuación, se utilizan modelos de aprendizaje automático (machine learning) para aprender de esos conjuntos de datos y predecir el rendimiento de aún más materiales, como los nuevos semiconductores orgánicos sintetizados en el grupo del Profesor Martin Heeney del Imperial College de Londres.

 

Este estudio puede ser el primero de muchos en el campo que combina la inteligencia artificial y los experimentos de alto rendimiento para predecir las condiciones óptimas de ciertos materiales y dispositivos.

 

Uno de los aspectos clave de este estudio es que los investigadores son capaces de generar conjuntos grandes de datos significativos con un mínimo esfuerzo experimental. Este es un aspecto importante para el éxito de la modelización del aprendizaje automático para obtener modelos y predicciones precisas y fiables.

 

[Img #63105]

Muestras de células solares orgánicas basadas en gradientes. (Foto: ICMAB)

 

Los investigadores utilizan una metodología basada en el cribado combinatorio en la que generan muestras con gradientes en los parámetros que más afectan al rendimiento de las células solares orgánicas (como su composición y grosor).

 

«Cuando se utiliza un método convencional, una muestra proporciona información sobre un solo punto. Sin embargo, utilizando nuestra metodología podemos obtener entre 10 y 1.000 veces más puntos. Esto permite, por un lado, evaluar el potencial fotovoltaico de un material unas 50 veces más rápido que con los métodos convencionales. Por otro lado, proporciona gran cantidad de estadísticas y un enorme conjunto de datos (cientos de miles de puntos) que nos permiten entrenar de forma fiable diferentes algoritmos de inteligencia artificial», explica Mariano Campoy-Quiles, investigador del ICMAB y coautor de este estudio.

 

«Dentro del amplio campo de la inteligencia artificial, aplicamos el aprendizaje automático, que es un término que recoge todo tipo de algoritmos que confieren a las máquinas (es decir, a los ordenadores) la capacidad de aprender a partir de un determinado conjunto de datos, pero no necesariamente de tomar decisiones autónomas. Aquí explotamos la visión más estadística de la inteligencia artificial para extraer modelos predictivos de nuestros amplios conjuntos de datos experimentales» explica Xabier Rodríguez-Martínez, investigador del ICMAB y primer autor del estudio.

 

Los algoritmos de inteligencia artificial en el campo de la ciencia de materiales se utilizan principalmente para buscar patrones de comportamiento y así desarrollar modelos predictivos del comportamiento de una familia de materiales para una aplicación determinada. Para ello, primero se entrena un algoritmo exponiéndolo a datos reales para generar un algoritmo modelo. El modelo es entonces validado con otros puntos no utilizados para crear el modelo, pero de la misma categoría de materiales. Una vez validado, el algoritmo se aplica para predecir el comportamiento de otros materiales similares que no forman parte del conjunto de entrenamiento ni de validación. «El uso de algoritmos de inteligencia artificial fue particularmente desafiante en este caso», explica Roger Guimerà, profesor ICREA de la URV y coautor del estudio, «por el volumen y la complejidad de los datos y porque el objetivo final es extrapolar a nuevos materiales que no se han probado nunca».

 

Este estudio representa dos grandes logros. Por un lado, el desarrollo de modelos de inteligencia artificial que predicen cómo la eficiencia depende de muchos de los parámetros de las células solares orgánicas. El grado de predicción es muy alto incluso para los materiales que no han sido utilizados en el conjunto inicial de entrenamiento del algoritmo.

 

«El segundo punto importante es que, gracias a la inteligencia artificial, hemos determinado cuáles son los parámetros físicos que afectan en mayor medida dicho comportamiento» dice Mariano Campoy-Quiles, y añade «En particular, hemos visto que los parámetros más críticos que determinan la composición óptima son la banda prohibida electrónica de cada material, así como lo balanceado que sea el transporte de carga en cada uno».

 

Los investigadores creen que los resultados y la metodología desarrollada en este estudio son fundamentales para orientar a los investigadores teóricos sobre qué tener en cuenta a la hora de desarrollar futuros modelos analíticos que intenten determinar la eficiencia de un sistema determinado.

 

«Nuestro próximo reto es entender sistemas mucho más complejos. Cuanto más complejo sea el sistema, más útil puede llegar a ser el empleo de la inteligencia artificial » concluye Campoy-Quiles.

 

 

 

 

 

(Fuente: ICMAB)

 

Leave a reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *