La investigación de la Universidad de California Davis avanza en la identificación de nuevos materiales para células solares de alta eficiencia gracias al aprendizaje automático.

Un grupo de investigadores de la Universidad de California Davis, liderado por la profesora Marina Leite, ha desarrollado un sistema de aprendizaje automático para identificar nuevos materiales que sean eficientes en la producción de células solares. Para ello, utilizaron experimentos de alta capacidad y algoritmos basados en el aprendizaje automático, lo que les permitió prever con gran precisión el comportamiento dinámico de los materiales sin necesidad de realizar tantos experimentos. Los perovskitas híbridas son moléculas orgánicas-inorgánicas que se han destacado por su potencial uso en energías renovables, gracias a su alta eficiencia en la producción de células solares y a su bajo costo. Sin embargo, uno de los mayores desafíos es encontrar perovskitas que combinen un alto rendimiento con una resistencia suficiente a las condiciones ambientales. Para abordar este problema, los investigadores utilizaron el aprendizaje automático para prever los efectos de la humedad sobre la degradación de los materiales. Para ello, construyeron un sistema automatizado de alta capacidad para medir la eficiencia de la fotoluminiscencia de cinco películas diferentes de perovskitas. Gracias a este sistema, lograron recolectar más de 7,000 mediciones en una semana, acumulando suficientes datos para un conjunto de entrenamiento confiable. Posteriormente, utilizaron estos datos para entrenar tres algoritmos diferentes de aprendizaje automático: un modelo de regresión lineal, una red neuronal y un modelo estadístico llamado SARIMAX. Compararon las predicciones de los modelos con los resultados físicos medidos en el laboratorio y encontraron que el modelo SARIMAX tuvo un rendimiento del 90 por ciento en comparación con los resultados observados durante una ventana de más de 50 horas. Estos resultados demuestran que el aprendizaje automático puede ser efectivo en la identificación de materiales candidatos y condiciones adecuadas para prevenir la degradación en las perovskitas. Los investigadores esperan ampliar los experimentos para cuantificar combinaciones de múltiples factores ambientales y así poder prever el comportamiento de un dispositivo completo.