Las células solares de perovskita están atrayendo mucho interés por parte de quienes buscan energía solar más barata y más fácil de implementar. En comparación con las células solares de silicio convencionales, las de perovskita son más ligeras, más flexibles, menos costosas de fabricar y muy eficientes. Sin embargo, son inestables cuando se exponen a la intemperie, por su vulnerabilidad al calor, a la humedad y a otras condiciones. Debido a ello, al aire libre se degradan con bastante rapidez y, por tanto, su uso comercial a gran escala ha resultado inviable. La situación puede que comience a cambiar drásticamente a partir de ahora.
Para superar esta gran barrera para la comercialización de células solares de perovskita, un equipo integrado, entre otros, por Abigail Hering, Mansha Dubey y Marina Leite, las tres de la Universidad de California en Davis, Estados Unidos, ha recurrido a la inteligencia artificial.
Este equipo ha demostrado cómo la inteligencia artificial (IA) puede acelerar drásticamente los avances en la investigación sobre mejoras en paneles solares de perovskita. En vez de depender exclusivamente de la experimentación de prueba y error, el equipo entrenó a una inteligencia artificial para que aprendiera de miles de experimentos automatizados y pudiera a partir de entonces predecir con precisión cómo el calor afectaría a cada formulación con perovskita. Esto permitiría identificar más rápidamente las formulaciones más prometedoras. Probar todas las posibles variantes de materiales de perovskita bajo todas las combinaciones plausibles de condiciones ambientales resultaría una tarea prácticamente imposible debido a su enormidad.
Las células solares de perovskita son más baratas que las de silicio e igual de eficientes, pero su durabilidad ha venido siendo mucho menor que la de las de silicio. Sin embargo, parece que la situación comenzará a cambiar radicalmente a partir de ahora. (Foto: Mario Rodriguez / UC Davis. CC BY-NC-ND)
El equipo probó 10 composiciones de perovskita exponiéndolas a ciclos de temperatura repetidos, lo que generó 137.000 mediciones únicas. Estas mediciones se utilizaron para entrenar modelos de aprendizaje automático (una modalidad de inteligencia artificial) y volverlos capaces de predecir con precisión cómo responderían a un calentamiento repetido diversas formulaciones no probadas previamente.
A partir de estas predicciones, los investigadores identificaron qué composiciones eran más estables térmicamente. Las composiciones con niveles más bajos de cesio, un metal alcalino muy reactivo, generalmente se recuperaban tras el calentamiento repetido, mientras que las composiciones con mayor contenido de cesio eran más propensas a degradarse de manera permanente.
Los hallazgos hechos en la nueva investigación proporcionan a los investigadores una guía para desarrollar células solares de perovskita más duraderas. En lugar de probar experimentalmente miles de posibles formulaciones, ahora pueden centrar sus esfuerzos en las candidatas con mayor probabilidad de resistir las condiciones de funcionamiento reales.
