Fig. 1. Exploración de nuevos polímeros para células solares poliméricas utilizando la informática de materiales. (Superior) Ejemplo de una estructura polimérica compuesta por un donante de electrones, aceptor de electrones, y cadenas de alquilo. (Medio) Clasificación por método de bosque aleatorio. (Inferior) Combinación sinérgica de materiales informáticos, experimentos prácticos, e inteligencia humana. Crédito:Universidad de Osaka
Las células solares jugarán un papel clave en el cambio hacia una economía renovable. La energía fotovoltaica orgánica (OPV) es una clase prometedora de células solares, basado en una molécula orgánica absorbente de luz combinada con un polímero semiconductor.
Las OPV se fabrican a partir de materiales ligeros, y benefíciese de una buena seguridad y una producción sencilla. Sin embargo, sus eficiencias de conversión de energía (PCE), la capacidad de convertir la luz en electricidad, siguen siendo demasiado bajas para la comercialización a gran escala.
El PCE depende tanto de la capa orgánica como de la de polímero. Tradicionalmente, Los químicos han experimentado con diferentes combinaciones de estos mediante ensayo y error, lo que lleva a una gran pérdida de tiempo y esfuerzo.
Ahora, un equipo de investigadores de la Universidad de Osaka ha utilizado la energía de la computadora para automatizar la búsqueda de materiales solares bien adaptados. En el futuro, esto podría conducir a dispositivos mucho más eficientes. El estudio se informó en el Revista de letras de química física .
"La elección del polímero afecta a varias propiedades, como corriente de cortocircuito, que determinan directamente el PCE, "explica el primer autor del estudio, Shinji Nagasawa". no existe una manera fácil de diseñar polímeros con propiedades mejoradas. El conocimiento químico tradicional no es suficiente. En lugar de, utilizamos inteligencia artificial para guiar el proceso de diseño ".
Fig. 2. Conversión fotoeléctrica en células solares poliméricas y estructuras químicas de los materiales activos. Crédito:Universidad de Osaka
La informática puede dar sentido a grandes conjuntos de datos complejos mediante la detección de tendencias estadísticas que escapan a los expertos humanos. El equipo recopiló datos sobre 1, 200 OPV de alrededor de 500 estudios. Usando el aprendizaje automático de Random Forest, construyeron un modelo que combina la banda prohibida, peso molecular, y estructura química de estas OPV anteriores, junto con su PCE, para predecir la eficiencia de posibles nuevos dispositivos.
Random Forest descubrió una correlación mejorada entre las propiedades de los materiales y su desempeño real en las OPV. Para explotar esto, el modelo se utilizó para "cribar" automáticamente los posibles polímeros para su PCE teórico. La lista de los mejores candidatos se redujo luego en base a la intuición química sobre lo que se puede sintetizar en la práctica.
Esta estrategia llevó al equipo a crear un nuevo polímero no probado previamente. En el caso, una OPV práctica basada en este primer intento resultó ser menos eficiente de lo esperado. Sin embargo, el modelo proporcionó información útil sobre la relación estructura-propiedad. Sus predicciones podrían mejorarse al incluir más datos, como la solubilidad de los polímeros en agua, o la regularidad de su columna vertebral.
Fig. 3. Ejemplo de cribado de cadenas de alquilo utilizando bosque aleatorio. Crédito:Universidad de Osaka
"El aprendizaje automático podría acelerar enormemente el desarrollo de células solares, ya que predice instantáneamente resultados que tomarían meses en el laboratorio, ", dice el coautor Akinori Saeki." No es un reemplazo sencillo del factor humano, pero podría proporcionar un apoyo crucial cuando los diseñadores moleculares tienen que elegir qué vías explorar ".
