Dispositivo de célula solar que no acepta fullereno, para lo cual el polímero fue diseñado por aprendizaje automático. Crédito:Universidad de Osaka
Los investigadores de la Universidad de Osaka emplearon el aprendizaje automático para diseñar nuevos polímeros para su uso en dispositivos fotovoltaicos. Después de examinar virtualmente más de 200, 000 materiales candidatos, sintetizaron uno de los más prometedores y encontraron que sus propiedades eran consistentes con sus predicciones. Este trabajo puede conducir a una revolución en la forma en que se descubren los materiales funcionales.
El aprendizaje automático es una herramienta poderosa que permite a las computadoras hacer predicciones incluso sobre situaciones complejas, siempre que los algoritmos cuenten con suficientes datos de ejemplo. Esto es especialmente útil para problemas complicados en ciencia de materiales, como diseñar moléculas para células solares orgánicas, que puede depender de una amplia gama de factores y estructuras moleculares desconocidas. Los humanos tardarían años en examinar los datos para encontrar los patrones subyacentes, e incluso más tiempo para probar todas las posibles combinaciones candidatas de polímeros donantes y moléculas aceptoras que componen una célula solar orgánica. Por lo tanto, El progreso en la mejora de la eficiencia de las células solares para que sean competitivas en el espacio de las energías renovables ha sido lento.
Ahora, Los investigadores de la Universidad de Osaka utilizaron el aprendizaje automático para seleccionar cientos de miles de pares de donantes:aceptadores basados en un algoritmo entrenado con datos de estudios experimentales publicados anteriormente. Probar todas las combinaciones posibles de 382 moléculas donantes y 526 moléculas aceptoras resultó en 200, 932 pares que fueron probados virtualmente prediciendo su eficiencia de conversión de energía.
Fig. 2. Ejemplos de estructuras químicas de un polímero (izquierda) y un aceptor que no es de fullereno (derecha). Crédito:Universidad de Osaka
"Basar la construcción de nuestro modelo basado en máquinas en un conjunto de datos experimentales mejoró drásticamente la precisión de la predicción, "dice el primer autor Kakaraparthi Kranthiraja.
Para verificar este método, Uno de los polímeros que se predice que tendrá una alta eficiencia se sintetizó en el laboratorio y se probó. Se encontró que sus propiedades se ajustaban a las predicciones, lo que dio a los investigadores más confianza en su enfoque.
Fig. 3. Método para el desarrollo del modelo de aprendizaje automático, generación virtual de polímeros, y selección de polímeros para síntesis. Crédito:Universidad de Osaka
"Este proyecto puede contribuir no solo al desarrollo de células solares orgánicas de alta eficiencia, pero también se puede adaptar a la informática de materiales de otros materiales funcionales, ", dice el autor principal Akinori Saeki.
Es posible que veamos este tipo de aprendizaje automático, en el que un algoritmo puede filtrar rápidamente miles o quizás incluso millones de moléculas candidatas basándose en predicciones de aprendizaje automático, aplicado a otras áreas, tales como catalizadores y polímeros funcionales.
