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 \u00f3ptimas de ciertos materiales y dispositivos.<\/p>\n
La obtenci\u00f3n de m\u00faltiples datos experimentales<\/h5>\n
Uno de los factores clave de este trabajo es que los investigadores son capaces de generar grandes conjuntos de datos significativos con un m\u00ednimo esfuerzo experimental. Este es un aspecto importante para el \u00e9xito de la modelizaci\u00f3n del aprendizaje autom\u00e1tico para obtener modelos y predicciones precisas y fiables.<\/p>\n
Los investigadores utilizan una metodolog\u00eda basada en el cribado combinatorio en la que generan muestras con gradientes en los par\u00e1metros que m\u00e1s afectan al rendimiento de las c\u00e9lulas solares org\u00e1nicas (por ejemplo, la composici\u00f3n y el grosor). \u00abCuando se utiliza un m\u00e9todo convencional, una muestra proporciona informaci\u00f3n sobre un solo punto. Sin embargo, utilizando nuestra metodolog\u00eda podemos obtener entre 10 y 1.000 veces m\u00e1s puntos\u00bb, explica Mariano Campoy-Quiles, investigador del ICMAB y coautor del estudio. \u00abEsto nos permite, por un lado, evaluar el potencial fotovoltaico de un material unas 50 veces m\u00e1s r\u00e1pido que con los m\u00e9todos convencionales. Por otro, proporciona gran cantidad de estad\u00edsticas y un enorme conjunto de datos (cientos de miles de puntos) que nos permiten entrenar de manera fiable diferentes algoritmos de inteligencia artificial \u00ab, a\u00f1ade.<\/p>\n \u00abDentro del amplio campo de la inteligencia artificial aplicamos el aprendizaje autom\u00e1tico, que es un t\u00e9rmino que recoge todo tipo de algoritmos que confieren a las m\u00e1quinas (es decir, a los ordenadores) la capacidad de aprender a partir de un determinado conjunto de datos, pero no necesariamente de tomar decisiones aut\u00f3nomas \u00ab, dice Xabier Rodr\u00edguez Mart\u00ednez, investigador del ICMAB. \u00abAqu\u00ed, explotamos la visi\u00f3n m\u00e1s estad\u00edstica de la inteligencia artificial para extraer modelos predictivos de nuestros amplios conjuntos de datos experimentales\u00bb comenta.<\/p>\n 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 aplicaci\u00f3n determinada. Para ello, primero se entrena un algoritmo exponi\u00e9ndolo 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 categor\u00eda 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 validaci\u00f3n.<\/p>\n En este estudio espec\u00edfico, los algoritmos de IA se entrenan con miles de puntos obtenidos con un m\u00e9todo de alto rendimiento para evaluar y predecir los diferentes factores que determinan la eficiencia de una c\u00e9lula solar org\u00e1nica. \u00abEl uso de algoritmos de IA ha sido particularmente desafiante en este caso\u00bb, explica Roger Guimer\u00e0, profesor ICREA de la URV, investigador del Departamento de Ingenier\u00eda Qu\u00edmica y coautor del estudio, \u00abpor el volumen y la complejidad de los datos y porque el objetivo final es extrapolar a nuevos materiales que no se han probado nunca \u00ab.<\/p>\n Este estudio representa dos grandes logros. Por un lado, el desarrollo de modelos de IA que predicen c\u00f3mo la eficiencia depende de muchos de los par\u00e1metros de las c\u00e9lulas solares org\u00e1nicas. El grado de predicci\u00f3n es muy alto, incluso para los materiales que no han sido utilizados en el conjunto inicial de entrenamiento del algoritmo. \u00abEl segundo punto importante es que, gracias a la IA, hemos determinado cu\u00e1les son los par\u00e1metros f\u00edsicos que afectan en mayor medida a este comportamiento\u00bb, dice Mariano Campoy-Quiles, y a\u00f1ade: \u00aben particular, hemos visto que los par\u00e1metros m\u00e1s cr\u00edticos que determinan la composici\u00f3n \u00f3ptima son la banda prohibida electr\u00f3nica de cada material, y c\u00f3mo el equilibrio de cargas en cada uno de ellos \u00ab.<\/p>\n Los investigadores creen que los resultados y la metodolog\u00eda desarrollada en este estudio son clave para orientar a los investigadores te\u00f3ricos sobre lo que se debe tener en cuenta a la hora de desarrollar futuros modelos de an\u00e1lisis que intenten determinar la eficiencia de un sistema determinado. \u00abNuestro pr\u00f3ximo desaf\u00edo es comprender sistemas mucho m\u00e1s complejos. Cuanto m\u00e1s complejo sea el sistema, m\u00e1s \u00fatil puede ser la IA\u00bb, concluye Campoy-Quiles.<\/p>\n Referencia bibliogr\u00e1fica:\u00a0<\/strong>Predicting the photocurrent-composition dependence in organic solar cells. Xabier Rodr\u00edguez-Mart\u00ednez, Enrique Pascual-San-Jos\u00e9, Zhuping Fei, Martin Heeney, Roger Guimer\u00e0 y Mariano Campoy-Quiles. Energy & Environmental Science<\/em>, 2021, DOI: 10.1039\/D0EE02958K<\/a><\/p>\n","protected":false},"excerpt":{"rendered":" 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 predicci\u00f3n del rendimiento de c\u00e9lulas solares org\u00e1nicas sin precedentes<\/p>\n","protected":false},"author":5,"featured_media":80981,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[117,102,3467,245,83,100,123],"tags":[4888,4681],"class_list":["post-80987","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-y-tecnologia","category-comunicacion-ciencia","category-ingenieria-quimica","category-escuela-ingenieria-quimica","category-general-es","category-investigacion","category-notas-prensa","tag-ia-es","tag-roger-guimera-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/posts\/80987","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/comments?post=80987"}],"version-history":[{"count":0,"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/posts\/80987\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/media\/80981"}],"wp:attachment":[{"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/media?parent=80987"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/categories?post=80987"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/diaridigital.urv.cat\/es\/wp-json\/wp\/v2\/tags?post=80987"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"https:\/\/diaridigital.urv.cat\/wp-content\/uploads\/2021\/01\/2018.07.19_URV-19-1024x683.jpg\")
<\/a>Los algoritmos de inteligencia artificial para predecir el comportamiento<\/h5>\n
Logros y futuros retos<\/h5>\n