Investigadores de la URV y del Instituto de Ciencias de Materiales de Barcelona han combinado datos experimentales con algoritmos de inteligencia artificial y han obtenido una capacidad de predicción del rendimiento de células solares orgánicas sin precedentes

Imagina que buscas la configuración óptima para construir una célula solar orgánica hecha de diferentes polímeros. ¿Como empezarías? ¿La capa activa debe ser muy gruesa o muy fina? ¿Necesita una cantidad grande o pequeña de cada polímero? Saber cómo predecir la composición específica y el diseño de la célula que daría lugar a una eficiencia óptima es uno de los principales problemas no resueltos en el campo de la ciencia de materiales. Esto se debe, en parte, a que el comportamiento del dispositivo depende de múltiples factores. Un equipo investigador de la Universitat Rovira i Virgili (URV) especializado en Inteligencia Artificial (IA) en colaboración con el Instituto de Ciencias de Materiales de Barcelona (ICMAB), expertos en materiales para aplicaciones energéticas, han trabajado conjuntamente para combinar datos experimentales con algoritmos de inteligencia artificial y así permitir una capacidad de predicción del rendimiento de las células solares orgánicas sin precedentes.

Los investigadores del ICMAB, dirigidos por Mariano Campoy-Quiles, han generado múltiples conjuntos de datos utilizando un nuevo método experimental que les permite disponer de un gran número de muestras en una sola, lo que acelera el proceso en comparación con los métodos convencionales. A continuación, se utilizan modelos de aprendizaje automático (machine learning) para aprender de estos conjuntos de datos y predecir el rendimiento de aún más materiales, como los nuevos semiconductores orgánicos sintetizados en el grupo de Martin Heeney, investigador del imperial College de Londres.

Este estudio puede ser el primero de muchos en el campo que combina la inteligencia artificial y los experimentos de alto rendimiento para predecir las condiciones óptimas de ciertos materiales y dispositivos.

La obtención de múltiples datos experimentales

Uno de los factores clave de este trabajo es que los investigadores son capaces de generar grandes conjuntos de datos significativos con un mínimo esfuerzo experimental. Este es un aspecto importante para el éxito de la modelización del aprendizaje automático para obtener modelos y predicciones precisas y fiables.

Los investigadores utilizan una metodología basada en el cribado combinatorio en la que generan muestras con gradientes en los parámetros que más afectan al rendimiento de las células solares orgánicas (por ejemplo, la composición y el grosor). «Cuando se utiliza un método convencional, una muestra proporciona información sobre un solo punto. Sin embargo, utilizando nuestra metodología podemos obtener entre 10 y 1.000 veces más puntos», explica Mariano Campoy-Quiles, investigador del ICMAB y coautor del estudio. «Esto nos permite, por un lado, evaluar el potencial fotovoltaico de un material unas 50 veces más rápido que con los métodos convencionales. Por otro, proporciona gran cantidad de estadísticas y un enorme conjunto de datos (cientos de miles de puntos) que nos permiten entrenar de manera fiable diferentes algoritmos de inteligencia artificial «, añade.

Los algoritmos de inteligencia artificial para predecir el comportamiento

«Dentro del amplio campo de la inteligencia artificial aplicamos el aprendizaje automático, que es un término que recoge todo tipo de algoritmos que confieren a las máquinas (es decir, a los ordenadores) la capacidad de aprender a partir de un determinado conjunto de datos, pero no necesariamente de tomar decisiones autónomas «, dice Xabier Rodríguez Martínez, investigador del ICMAB. «Aquí, explotamos la visión más estadística de la inteligencia artificial para extraer modelos predictivos de nuestros amplios conjuntos de datos experimentales» comenta.

Los algoritmos de inteligencia artificial en el campo de la ciencia de materiales se utilizan principalmente para buscar patrones de comportamiento y para continuar desarrollando modelos predictivos del comportamiento de una familia de materiales para una aplicación determinada. Para ello, primero se entrena un algoritmo exponiéndolo a datos reales para generar un algoritmo modelo. Entonces el modelo es validado con otros puntos de datos no utilizados para crear el modelo, pero de la misma categoría de materiales. Una vez validado, el algoritmo se aplica para predecir el comportamiento de otros materiales similares que no forman parte del conjunto de entrenamiento ni de validación.

En este estudio específico, los algoritmos de IA se entrenan con miles de puntos obtenidos con un método de alto rendimiento para evaluar y predecir los diferentes factores que determinan la eficiencia de una célula solar orgánica. «El uso de algoritmos de IA ha sido particularmente desafiante en este caso», explica Roger Guimerà, profesor ICREA de la URV, investigador del Departamento de Ingeniería Química y coautor del estudio, «por el volumen y la complejidad de los datos y porque el objetivo final es extrapolar a nuevos materiales que no se han probado nunca «.

Logros y futuros retos

Este estudio representa dos grandes logros. Por un lado, el desarrollo de modelos de IA que predicen cómo la eficiencia depende de muchos de los parámetros de las células solares orgánicas. El grado de predicción es muy alto, incluso para los materiales que no han sido utilizados en el conjunto inicial de entrenamiento del algoritmo. «El segundo punto importante es que, gracias a la IA, hemos determinado cuáles son los parámetros físicos que afectan en mayor medida a este comportamiento», dice Mariano Campoy-Quiles, y añade: «en particular, hemos visto que los parámetros más críticos que determinan la composición óptima son la banda prohibida electrónica de cada material, y cómo el equilibrio de cargas en cada uno de ellos «.

Los investigadores creen que los resultados y la metodología desarrollada en este estudio son clave para orientar a los investigadores teóricos sobre lo que se debe tener en cuenta a la hora de desarrollar futuros modelos de análisis que intenten determinar la eficiencia de un sistema determinado. «Nuestro próximo desafío es comprender sistemas mucho más complejos. Cuanto más complejo sea el sistema, más útil puede ser la IA», concluye Campoy-Quiles.

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