A medida que integramos la energía solar en nuestra vida diaria, se ha vuelto importante encontrar materiales que conviertan eficientemente la luz solar en electricidad. Si bien el silicio ha dominado la tecnología solar hasta ahora, también hay un giro constante hacia materiales conocidos como perovskitas debido a sus menores costos y procesos de fabricación más simples.

El desafío, sin embargo, ha sido encontrar perovskitas con la "banda prohibida" adecuada:un rango de energía específico que determina con qué eficiencia un material puede absorber la luz solar y convertirla en electricidad sin perderla en forma de calor.

Ahora, un proyecto de investigación de la EPFL dirigido por Haiyuan Wang y Alfredo Pasquarello, con colaboradores en Shanghai y Louvain-La-Neuve, ha desarrollado un método que combina técnicas computacionales avanzadas con aprendizaje automático para buscar materiales de perovskita óptimos para aplicaciones fotovoltaicas. El enfoque podría conducir a paneles solares más eficientes y baratos, transformando los estándares de la industria solar.

El artículo está publicado en el Journal of the American Chemical Society .

Los investigadores comenzaron desarrollando un conjunto de datos completo y de alta calidad de valores de banda prohibida para 246 materiales de perovskita. El conjunto de datos se construyó utilizando cálculos avanzados basados ​​en funcionales híbridos, un tipo sofisticado de cálculo que incluye el intercambio de electrones y mejora la Teoría del Funcional de Densidad (DFT) más convencional. DFT es un método de modelado de mecánica cuántica que se utiliza para investigar la estructura electrónica de sistemas de muchos cuerpos, como átomos y moléculas.

Los funcionales híbridos utilizados eran "dependientes del dieléctrico", lo que significa que incorporaron las propiedades de polarización electrónica del material en sus cálculos. Esto mejoró significativamente la precisión de las predicciones de banda prohibida en comparación con la DFT estándar, lo cual es particularmente importante para materiales como las perovskitas, donde la interacción de los electrones y los efectos de polarización son cruciales para sus propiedades electrónicas.

El conjunto de datos resultante proporcionó una base sólida para identificar materiales de perovskita con propiedades electrónicas óptimas para aplicaciones como la fotovoltaica, donde el control preciso sobre los valores de banda prohibida es esencial para maximizar la eficiencia.

Luego, el equipo utilizó los cálculos de banda prohibida para desarrollar un modelo de aprendizaje automático entrenado en las 246 perovskitas y lo aplicó a una base de datos de alrededor de 15.000 materiales candidatos para células solares, reduciendo la búsqueda a las perovskitas más prometedoras en función de su banda prevista. brechas y estabilidad. El modelo identificó 14 perovskitas completamente nuevas, todas con bandas prohibidas y una estabilidad energética lo suficientemente alta como para convertirlas en excelentes candidatas para células solares de alta eficiencia.

El trabajo muestra que el uso del aprendizaje automático para agilizar el descubrimiento y la validación de nuevos materiales fotovoltaicos puede reducir los costos y acelerar en gran medida la adopción de la energía solar, reduciendo nuestra dependencia de los combustibles fósiles y ayudando en el esfuerzo global para combatir el cambio climático.