Una colaboración dirigida por la Universidad de Cornell ha recibido una subvención de 3 millones de dólares del Departamento de Energía de los Estados Unidos para utilizar el machine learning con el fin de acelerar la creación de materiales de bajo coste para la energía solar.
El proyecto, de tres años de duración, titulado “Formulation Engineering of Energy Materials via Multiscale Learning Spirals”, está dirigido por la investigadora principal Lara Estroff, profesora de ciencia e ingeniería de los materiales en la Facultad de Ingeniería, en colaboración con el co-PI John Marohn, profesor de química y biología química en la Facultad de Artes y Ciencias
También está dirigido por investigadores de la Universidad de Virginia, la Universidad Johns Hopkins, el Laboratorio Nacional Lawrence Livermore (LLNL), el Laboratorio Nacional de Energías Renovables (NREL) y el Laboratorio Nacional del Noroeste del Pacífico (PNNL).
Entre estos investigadores se encuentra la co-directora Paulette Clancy, titular emérita de la cátedra Samuel y Diane Bodman de Ingeniería Química, ahora en la Universidad Johns Hopkins, y los ex-alumnos Josh Choi, doctorado ’12, con la Universidad de Virginia y David Moore, doctorado ’14, del NREL.
La colaboración se originó en un proyecto anterior, financiado por el Cornell Center for Materials Research (CCMR), que reunió a un equipo que incluía la experiencia de Estroff en cristalización y caracterización estructural y el modelado computacional de materiales semiconductores de Clancy, para explorar una clase de materiales llamados perovskitas híbridas orgánico-inorgánicas, estructuras cristalinas que pueden convertir eficazmente la luz en electricidad.
Este tipo de perovskita es especialmente notable porque tiene el potencial de crecer a partir de una solución, en lugar de ser procesada mediante altas temperaturas, por lo que puede fabricarse mediante métodos de bajo coste, como la impresión por chorro de tinta y el recubrimiento de moldes, en una amplia gama de sustratos, dijo Estroff.
Esto convierte a las perovskitas en brillantes candidatas para las células fotovoltaicas. La razón por la que el material sigue en el laboratorio y no en los paneles solares de su tejado es triple: las perovskitas son difíciles de reproducir a gran escala, son inestables y son difíciles de reproducir de forma fiable.
“Creemos que podemos resolver todos estos problemas”, afirma Marohn. “Este es el equipo ideal para resolverlos. Hay personas que han hecho grandes avances en varias áreas. Y ahora conseguimos juntar todos estos avances”.
El laboratorio de Estroff, que ha realizado un extenso trabajo sobre el crecimiento de los biominerales, observó previamente cómo se desarrollan los precursores cristalinos, lo que dio a los investigadores la idea de que podrían ser capaces de dirigir la forma en que las perovskitas cristalizan en una forma estable que pueda funcionar mejor.
El trabajo del laboratorio con Clancy descubrió que podían calcular cómo se forman los precursores en diferentes disolventes, lo que sugería un posible papel para el machine learning a gran escala para predecir la síntesis del material.
El grupo de Marohn demostró, midiendo las propiedades electrónicas del material, que cuando la luz se proyecta sobre las perovskitas, no sólo se desprenden los electrones, desencadenando la conductividad electrónica, sino también los iones. La conductividad iónica podría ser una de las razones por las que el material ha sido inestable.
La función del machine learning en las perovskitas
El papel del machine learning es especialmente crucial para cultivar perovskitas que tengan un rendimiento óptimo en los dispositivos.
“Si se empieza a anotar el número de combinaciones diferentes de átomos y se tienen en cuenta las sustituciones, se llega rápidamente a medio millón de compuestos diferentes que se podrían hacer. Y luego, si se añaden todos los disolventes diferentes que se podrían utilizar para fabricarlos, la cosa se dispara”, explica Estroff.
“Los experimentadores como yo nunca podrían fabricar todos los materiales posibles. La diversidad de composiciones y rutas de procesamiento hace que este sea un problema que espera el machine learning y la ciencia de los datos.”
Igualmente importante, dijo Estroff, es el bucle de retroalimentación continua que existe entre los científicos de datos y los científicos experimentales. El modelo interdisciplinario del equipo no sólo hará avanzar el conocimiento de las perovskitas, sino que también permitirá a los investigadores aplicar su marco de machine learning a otros materiales cultivados en solución, como las fases híbridas Ruddlesden-Popper, también conocidas como “perovskitas 2D”.
El proyecto es uno de los 10 que el Departamento de Energía está financiando a través de una iniciativa de 26 millones de dólares para aprovechar las herramientas de investigación de vanguardia para soluciones de energía limpia.
“La ciencia de los datos, y especialmente la IA/ML, ofrece oportunidades únicas para dar un salto a capacidades novedosas para entender propiedades y procesos fundamentales en sistemas físicos y químicos”, dijo Steve Binkley, director en funciones de la Oficina de Ciencia del DOE, en un comunicado de prensa.
“Esta investigación aprovechará el rápido crecimiento de la IA/ML para acelerar los descubrimientos necesarios para una generación, almacenamiento y uso de la energía más eficientes, eliminando o reduciendo al mismo tiempo la emisión de gases de efecto invernadero y el uso de recursos críticos.”
El equipo del proyecto incluye al co-PI Rigoberto Hernández, de la Universidad Johns Hopkins, y a las coinvestigadoras Rebecca Lindsey, del LLNL, y Jinhui Tao, del PNNL.
Te puede interesar:
- China da los últimos retoques al primer reactor nuclear de torio del mundo
- Rusia tiene ambiciosos planes para la producción de energía del hidrógeno
- Yangjiang Shapa, el primer parque eólico marino de China en superar el rango de 1 GW de capacidad
