Las células solares fotovoltaicas son una alternativa prometedora a los combustibles fósiles, pero deben ser mucho más eficientes antes de que puedan generalizarse. Los científicos han llevado la potencia de supercomputación actual al límite en busca de esa eficiencia mejorada, pero la llegada de la computación a exaescala en los próximos años les permitirá llevar esta búsqueda al siguiente nivel.

Hacia este final, investigadores de la División de Investigación Computacional (CRD) de Berkeley Lab y el Centro Nacional de Computación Científica de Investigación Energética (NERSC) están colaborando con Carnegie Mellon y varias otras instituciones académicas para prepararse para usar la primera computadora a exaescala del país el próximo año para continuar la búsqueda de nuevos , Materiales de células solares fotovoltaicas más eficientes. El proyecto combinará simulación analítica con aprendizaje automático y minería de datos para descubrir nuevos materiales.

La colaboración utiliza software desarrollado por científicos de Berkeley Lab para predecir las propiedades de excitación en materiales potenciales de células solares fotovoltaicas. El software, BerkeleyGW, es un paquete de simulación de ciencia de materiales que puede predecir las propiedades de estado excitado de los materiales, que es cómo un material responde a un estimulante como un fotón que entra en él. BerkeleyGW se considera una de las simulaciones mecánicas cuánticas más precisas para la adquisición de datos.

"Si bien el enfoque computacional de GW implementado en Berkeley GW es muy preciso, a menudo se consideraba costoso en términos de tiempo de computadora requerido para ejecutar el código, "dice Jack Deslippe, líder del grupo NERSC y desarrollador principal del código BerkeleyGW. "Para esta colaboración, Nuestro equipo ha optimizado BerkeleyGW para que no solo sea una herramienta predictiva precisa, sino que también se adapte al máximo rendimiento en arquitecturas modernas. lo que permite a los investigadores analizar hasta varios miles de átomos, algo que antes era imposible ".

Las células solares convierten los fotones del sol en electricidad absorbiendo fotones y generando una corriente de electrones. Por lo general, un fotón se convierte en un electrón. La colaboración Carnegie Mellon está buscando materiales que puedan sufrir fisión singlete, un proceso por el cual un fotón de excitón singlete fotogenerado se convierte en dos excitones triplete, aumentando la corriente que se libera. El objetivo de la investigación es encontrar los materiales raros que pueden sufrir una fisión única para mejorar la eficiencia de las células solares.

Intentar encontrar este tipo de materiales experimentalmente es una tarea imposible; los investigadores lo comparan con encontrar una aguja en un pajar. "Pero podemos simular estas propiedades del material, utilizar la computación para realizar una selección de las posibilidades y elegir los que creemos que son los mejores candidatos, luego envíelos al laboratorio para su análisis, "dice Mauro Del Ben, un científico investigador del CRD que ha estado trabajando en el código BerkeleyGW. "Dado que buscamos estados de entusiasmo en estos materiales, necesitamos un nivel de precisión que vaya más allá de lo que está disponible actualmente, y ahí es donde entra BerkeleyGW ".

El costo computacional sigue siendo elevado, pero mejorar el rendimiento del código puede ayudar a reducir la carga. Optimizando la paralelización y explotando aceleradores como las GPU, BerkeleyGW puede abordar en unos pocos cálculos de nodos que anteriormente tomaban miles de nodos. La investigación se está realizando actualmente en la supercomputadora Theta en el Laboratorio Nacional Argonne, Cori en NERSC, y Summit en el Laboratorio Nacional de Oak Ridge, en la actualidad, el superordenador más potente del mundo.

Está previsto que la primera supercomputadora de exaescala llegue al Laboratorio Nacional de Argonne en 2021. El equipo de Carnegie Mellon tiene como objetivo optimizar los flujos de trabajo para que su investigación esté lista para ejecutarse en el nuevo sistema de exaescala.

Si el proyecto tiene éxito, podría utilizarse como plantilla para cualquier tipo de aprendizaje automático, descubrimiento basado en datos de nuevos materiales en diferentes campos, estableciendo un estándar de lo que se puede utilizar en el futuro para más aplicaciones, dice Del Ben.