Si se cree en las películas, la inteligencia artificial es un billete de ida a un futuro distópico, con películas como The Terminator, Blade Runner y The Matrix que apuntan a un futuro sombrío para la humanidad, pero las nuevas investigaciones australianas sugieren que la IA podría desempeñar un papel clave para evitar la crisis climática.
Desde ‘The Terminator’ y ‘Blade Runner’ hasta ‘The Matrix’, Hollywood nos ha enseñado a desconfiar de la inteligencia artificial. Pero en lugar de sellar nuestra perdición en la gran pantalla, los algoritmos podrían ser la solución al menos para el problema presentado por la crisis climática.
Los investigadores australianos de ARC Centre of Excellence in Exciton Science han creado con éxito un nuevo tipo de modelo de machine learning para predecir la eficiencia de conversión de la energía (power-conversion efficiency, PCE) de los materiales para su uso en las células solares orgánicas de próxima generación, incluidos los compuestos que aún no existen.
A diferencia de algunos modelos complicados y que requieren mucho tiempo, el último enfoque es rápido, fácil de usar y el código está disponible gratuitamente para todos los científicos e ingenieros.
La clave para el desarrollo de un modelo más eficiente y fácil de usar fue sustituir los parámetros complicados y costosos desde el punto de vista computacional, que requieren cálculos de mecánica cuántica, por descriptores de firma más simples y químicamente interpretables de las moléculas que se analizan. Éstos proporcionan datos importantes sobre los fragmentos químicos más significativos de los materiales que afectan al PCE, generando información que puede utilizarse para diseñar materiales mejorados.
Inteligencia Artificial para aumentar la eficiencia de las células solares orgánicas
El nuevo enfoque podría ayudar a acelerar significativamente el proceso de diseño de células solares más eficientes en un momento en que la demanda de energía renovable, y su importancia en la reducción de las emisiones de carbono, es mayor que nunca. Los resultados se han publicado en la revista Nature, Computational Materials.
Tras décadas de depender del silicio, que es relativamente caro y carece de flexibilidad, la atención se centra cada vez más en las células solares fotovoltaicas orgánicas (organic photovoltaic, OPV), que serán más económicas de fabricar mediante el uso de tecnologías de impresión, además de ser más versátiles y fáciles de desechar.
Uno de los principales desafíos es clasificar el enorme volumen de compuestos químicos potencialmente adecuados que pueden sintetizarse (hechos a medida por los científicos) para su uso en OPV.
Los investigadores han tratado de utilizar la machine learning antes de abordar esta cuestión, pero muchos de esos modelos consumían mucho tiempo, requerían una considerable potencia de procesamiento informático y eran difíciles de reproducir. Y, lo que es más importante, no proporcionaban suficiente orientación a los científicos experimentales que intentaban construir nuevos dispositivos solares.
Ahora, el trabajo dirigido por el Dr. Nastaran Meftahi y el Profesor Salvy Russo de la Universidad RMIT, en conjunto con el equipo del Profesor Udo Bach de la Universidad de Monash, ha abordado con éxito muchos de esos desafíos.
“La mayoría de los otros modelos utilizan descriptores electrónicos que son complicados y costosos desde el punto de vista computacional, y no son químicamente interpretables”, dijo Nastaran.
“Significa que el químico o científico experimental no puede obtener ideas de esos modelos para diseñar y sintetizar materiales en el laboratorio. Si miran mis modelos, porque usé descriptores simples y químicamente interpretables, pueden ver los fragmentos importantes”, explica el Sr. Nastaran.
El trabajo de Nastaran fue fuertemente apoyado por su co-autor, el Profesor Dave Winkler de CSIRO’s Data 61, la Universidad de Monash, la Universidad La Trobe, y la Universidad de Nottingham, quien co-creó el programa BioModeller que proporcionó la base para el nuevo modelo de código abierto.
Con su uso, los investigadores han podido producir resultados robustos y predictivos y generar, entre otros datos, relaciones cuantitativas entre las firmas moleculares que se están examinando y la eficiencia de los futuros dispositivos OPV.
Nastaran y sus colegas tienen ahora la intención de ampliar el alcance de su trabajo para incluir mayores datos computarizados y experimentales que sean grandes y precisos.
Te puede interesar:
- La solución climática de Exxon: usar algas como biocombustibles. Los expertos dicen que no funcionará
- En España descubren nueva forma de producir hidrógeno a partir de microondas
- Esta batería elimina el dióxido de carbono directamente del aire
