Investigadors de l’ICMAB-CSIC han creat un sistema capaç d’estimar el comportament de cada cèl·lula solar segons la seva composició i disseny. El treball empra models d’aprenentatge automàtic per aprendre de conjunts de dades anteriors i predir el rendiment de més materials.

Investigadors de l’Institut de Ciència de Materials de Barcelona (ICMAB) del Consell Superior d’Investigacions Científiques (CSIC) han desenvolupat un sistema que prediu com serà el rendiment de les cèl·lules solars orgàniques en funció de la seva composició específica i el seu disseny. Aquest avenç ha estat possible gràcies a la col·laboració entre l’ICMAB-CSIC, especialitzat en materials per a aplicacions energètiques, i un equip d’investigadors de la Universitat Rovira i Virgili especialitzat en intel·ligència artificial (IA). Així mateix, aquest estudi compta amb la col·laboració de químics sintètics de l’Imperial College de Londres, que van facilitar materials fotovoltaics orgànics d’última generació. Els resultats de l’estudi han estat publicats a la revista Energy & Environmental Science.

Els investigadors de l’ICMAB-CSIC, dirigits per l’investigador Mariano Campoy-Quiles, han generat múltiples conjunts de dades utilitzant un nou mètode experimental que els permet disposar d’un gran nombre de mostres en un sol substrat, el que accelera el procés en comparació amb els mètodes convencionals. A continuació, s’utilitzen models d’aprenentatge automàtic (machine learning) per aprendre d’aquests conjunts de dades i predir el rendiment de més materials.

Un dels aspectes clau d’aquest estudi és que els investigadors són capaços de generar grans conjunts de dades estadísticament significatius amb un mínim esforç experimental. Aquest és un aspecte important per realitzar amb èxit la modelització de l’aprenentatge automàtic per obtenir models i prediccions precises i fiables.

Els investigadors han utilitzat una metodologia basada en el cribratge combinatori en la que generen mostres amb gradients en els paràmetres que més afecten el rendiment de les cèl·lules solars orgàniques, com la composició i el gruix.

“Quan s’utilitza un mètode convencional, una mostra proporciona informació sobre un sol punt. No obstant això, utilitzant la nostra metodologia podem obtenir entre 10 i 1.000 vegades més punts. Això permet, d’una banda, avaluar el potencial fotovoltaic d’un material unes 50 vegades més ràpid que amb els mètodes convencionals. d’altra banda, proporciona gran quantitat d’estadístiques i un enorme conjunt de dades (centenars de milers de punts) que ens permeten entrenar de manera fiable diferents algoritmes d’IA”, diu Mariano Campoy-Quiles.

“Dins de l’ampli camp de la IA apliquem l’aprenentatge automàtic, que és un terme que recull tot tipus d’algoritmes que doten les màquines amb la capacitat d’aprendre a partir d’un determinat conjunt de dades, però no necessàriament de prendre decisions autònomes. Aquí explotem la visió més estadística de la IA per extreure models predictius dels nostres amplis conjunts de dades experimentals”, explica Xabier Rodríguez-Martínez, investigador de l’ICMAB-CSIC i primer autor d’l’estudi.

Els algoritmes d’IA en el camp de la ciència de materials s’utilitzen principalment per buscar patrons de comportament i així desenvolupar models predictius del comportament d’una família de materials per a una aplicació determinada. Per a això, primer s’entrena un algoritme exposant-lo a dades reals per generar un algoritme model. El model és llavors validat amb altres punts no utilitzats per crear el model, però de la mateixa categoria de materials. Un cop validat, l’algoritme s’aplica per predir el comportament d’altres materials similars que no formen part del conjunt d’entrenament ni de validació.

En aquest estudi específic, els algoritmes de IA s’entrenen amb milers de punts obtinguts amb un mètode experimental d’alt rendiment per avaluar i predir els diferents factors que determinen l’eficiència d’una cèl·lula solar orgànica.

“L’ús d’algoritmes d’IA va ser particularment desafiant en aquest cas pel volum i la complexitat de les dades i perquè l’objectiu final és extrapolar-los a nous materials que no s’han provat mai”, explica Roger Guimerà, professor ICREA de la Universitat Rovira i Virgili i coautor de l’estudi.

Assoliments i futurs reptes

Aquest estudi representa dos grans èxits. D’una banda, el desenvolupament de models d’IA que prediuen com l’eficiència depèn de molts dels paràmetres de les cèl·lules solars orgàniques. El grau de predicció és molt alt fins i tot per a materials que no han estat utilitzats en el conjunt inicial d’entrenament de l’algorisme.

“El segon punt important és que, gràcies a la IA, hem determinat quins són els paràmetres físics que afecten aquests comportament en major grau”, diu Mariano Campoy-Quiles. “En particular, hem vist que els paràmetres més crítics que determinen la composició òptima són la banda electrònica prohibida de cada material, així com el balancejat que sigui el transport de càrrega en cada un”, afegeix.

Els investigadors creuen que els resultats i la metodologia desenvolupada en aquest estudi són claus per orientar els investigadors teòrics sobre què tenir en compte a l’hora de desenvolupar futurs models analítics que intentin determinar l’eficiència d’un sistema determinat.

“El nostre pròxim repte és entendre sistemes molt més complexos. Com més complex sigui el sistema, més útil pot arribar a ser l’ocupació de la IA”, conclou l’investigador.

Article de referència:

Xabier Rodríguez-Martínez, Enrique Pascual-San-José, Zhuping Fei, Martin Heeney, Roger Guimerà and Mariano Campoy-Quiles. Predicting the photocurrent-composition dependence in organic solar cells. Energy & Environmental Science, 2021. DOI: 10.1039/D0EE02958K

Anna May ICMAB-CSIC Comunicació

Instituto de Análisis Económico (IAE)

Mostres de cèl·lules solars orgàniques basades en gradients. / ICMAB