El sol transmite continuamente billones de vatios de energía a la Tierra. Lo seguirá haciendo durante miles de millones de años más. Sin embargo, apenas hemos comenzado a aprovechar esa abundante fuente de energía renovable a un costo asequible.

Los absorbentes solares son un material utilizado para convertir esta energía en calor o electricidad. Maria Chan, científica del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE, por sus siglas en inglés), ha desarrollado un método de aprendizaje automático para detectar muchos miles de compuestos como absorbentes solares. Su coautor en este proyecto fue Arun Mannodi-Kanakkithodi, ex postdoctorado de Argonne que ahora es profesor asistente en la Universidad de Purdue.

"Según un estudio reciente del DOE, para 2035, la energía solar podría alimentar el 40 % de la electricidad del país", dijo Chan. "Y podría ayudar a descarbonizar la red y generar muchos empleos nuevos".

Chan y Mannodi-Kanakkithodi están apostando a que el aprendizaje automático jugará un papel vital en la consecución de ese noble objetivo. Una forma de inteligencia artificial (IA), el aprendizaje automático utiliza una combinación de grandes conjuntos de datos y algoritmos para imitar la forma en que aprenden los humanos. Aprende del entrenamiento con datos de muestra y experiencia pasada para hacer predicciones cada vez mejores.

En los días de Thomas Edison, los científicos descubrieron nuevos materiales mediante el laborioso proceso de prueba y error con muchos candidatos diferentes hasta que uno funciona. Durante las últimas décadas, también se han basado en cálculos laboriosos que requieren hasta mil horas para predecir las propiedades de un material. Ahora, pueden acortar ambos procesos de descubrimiento recurriendo al aprendizaje automático.

En la actualidad, el absorbente principal de las células solares es el telururo de silicio o de cadmio. Tales células ahora son comunes. Pero siguen siendo bastante caros y consumen mucha energía para fabricarlos.

El equipo utilizó su método de aprendizaje automático para evaluar las propiedades de energía solar de una clase de material llamado perovskita de haluro. Durante la última década, muchos investigadores han estado estudiando las perovskitas debido a su notable eficiencia para convertir la luz solar en electricidad. También ofrecen la perspectiva de un costo y un aporte de energía mucho más bajos para la preparación de materiales y la construcción de celdas.

"A diferencia del telururo de silicio o cadmio, las posibles variaciones de haluros combinados con perovskitas son esencialmente ilimitadas", dijo Chan. "Por lo tanto, existe una necesidad urgente de desarrollar un método que pueda reducir los candidatos prometedores a un número manejable. Para ese fin, el aprendizaje automático es una herramienta perfecta".

El equipo entrenó su método con datos de unos pocos cientos de composiciones de haluros de perovskita y luego lo aplicó a más de 18 000 composiciones como caso de prueba. El método evaluó estas composiciones en cuanto a propiedades clave como la estabilidad, la capacidad de absorber la luz solar, la estructura que no se rompe fácilmente debido a defectos y más. Los cálculos concordaron bien con los datos relevantes en la literatura científica. Además, los hallazgos redujeron el número de composiciones dignas de estudio a unas 400.

"Nuestra lista de candidatos tiene compuestos que ya se han estudiado, compuestos que nadie ha estudiado nunca e incluso compuestos que no estaban entre los 18.000 originales", dijo Chan. "Así que estamos muy entusiasmados con eso".

El próximo paso será probar las predicciones usando experimentos. El escenario ideal sería usar un laboratorio de descubrimiento autónomo, como Polybot en el Centro de materiales a nanoescala (CNM) de Argonne, una instalación para usuarios de la Oficina de Ciencias del DOE. Polybot combina el poder de la robótica con la IA para impulsar el descubrimiento científico con poca o ninguna intervención humana.

Mediante el uso de la experimentación autónoma para sintetizar, caracterizar y probar lo mejor de sus pocos cientos de candidatos principales, Chan y su equipo anticipan que también pueden mejorar el método actual de aprendizaje automático.

"Realmente estamos en una nueva era de aplicación de IA y computación de alto rendimiento para el descubrimiento de materiales", dijo Chan. "Además de las células solares, nuestra metodología de diseño podría aplicarse a LED y sensores infrarrojos".

Esta investigación se informa en un artículo en Energy &Environmental Science . + Explora más

Descubriendo los patrones de la naturaleza a escala atómica en colores vivos