Los ingenieros del Instituto de Tecnología de Massachusetts (MIT) han recurrido a la inteligencia artificial (IA) para impulsar la fabricación avanzada de células solares de perovskita. El estudio se ha llevado a cabo con la colaboración de la Universidad de Standford y el resultado ha sido un sistema basado en el aprendizaje automático.
Los materiales de las perovskitas podrían ser, actualmente, los principales candidatos para reemplazar a los módulos fotovoltaicos basados en silicio. Con la perovskita, los paneles son mucho más delgados y livianos, podrían fabricarse con un rendimiento ultra alto a temperatura ambiente, en lugar de a cientos de grados, y son más asequibles y fáciles de transportar e instalar.
Lograr que estos materiales experimentales se conviertan en células solares competitivas implica optimizar, al menos, una docena de variables a la vez, incluso dentro de un enfoque de fabricación particular entre muchas posibilidades.
Sistema basado en aprendizaje automático
Para solucionar estas barreras, investigadores del MIT y la Universidad de Stanford han desarrollado un nuevo sistema basado en el machine learning o aprendizaje automático. Este sistema podría acelerar el desarrollo de métodos de producción optimizados y ayudar a hacer realidad la próxima generación de células solares.
El sistema permite integrar datos de experimentos anteriores e información basada en observaciones personales de trabajadores expertos en el proceso de aprendizaje automático. Esto hace que los resultados sean más precisos y ha llevado a la fabricación de celdas de perovskita con una eficiencia de conversión de energía del 18,5%, un nivel competitivo para el mercado actual.
El desarrollo a escala de laboratorio de materiales de perovskita utiliza una técnica de recubrimiento por rotación, la cual no es práctica para la fabricación a gran escala. Por esta razón, empresas y laboratorios de todo el mundo han estado buscando formas de conseguir que dichos materiales se puedan producir de forma masiva.
Método de fabricación
El equipo analizó un proceso que, en su opinión, tendría el mayor potencial, un método llamado procesamiento rápido de plasma por aspersión o RSPP.
El proceso de fabricación involucraría una superficie móvil de ‘rollo a rollo’, una serie de láminas sobre las cuales las soluciones precursoras del compuesto de perovskita serían rociadas o inyectadas con tinta a medida que la hoja pasa rodando. A continuación, se llevaría el material a una etapa de curado, proporcionando una salida rápida y continua con rendimientos que son más altos que los de cualquier otra tecnología fotovoltaica, según afirman los responsables de la investigación.
Dentro de ese proceso, hay una docena de variables que pueden afectar al resultado, algunas de ellas más controlables que otras. Estas incluyen la composición de los materiales de partida, la temperatura, la humedad, la velocidad de la ruta de procesamiento, la distancia de la boquilla utilizada para rociar el material sobre un sustrato y los métodos de curado del material. Muchos de estos factores pueden interactuar entre sí. Es imposible, por tanto, evaluar todas las combinaciones posibles de estas variables a través de la experimentación, por lo que se necesitaba el aprendizaje automático para ayudar a guiar el proceso de laboratorio.
No obstante, aunque la mayoría de los sistemas de aprendizaje automático utilizan datos sin procesar (como mediciones de las propiedades eléctricas, por ejemplo) de las muestras de prueba, lo habitual es que no incorporen la experiencia humana. El equipo encontró una manera de integrar dicha información externa en el modelo de aprendizaje automático, usando un factor de probabilidad basado en una técnica matemática llamada Optimización Bayesiana.
Este sistema permite guiar el proceso de ensayo de forma mucho más rápida para optimizar un conjunto dado de condiciones o resultados requeridos. En sus experimentos, el equipo se centró en optimizar la potencia de salida, pero el sistema también podría usarse para incorporar simultáneamente otros criterios, como el costo y la durabilidad, algo en lo que los miembros del equipo continúan trabajando.
Fase de comercialización
Para la comercialización de la tecnología, los investigadores han contado con el apoyo del Departamento de Energía de Estados Unidos, patrocinador del trabajo. Ahora se están enfocando en la transferencia de tecnología a los fabricantes de perovskita existentes. Además, el código que desarrollaron está disponible gratuitamente a través de un servidor de código abierto llamado GitHub, donde cualquiera puede descargarlo.
Varias empresas ya se están preparando para producir paneles solares a base de perovskita, aunque todavía están trabajando en los detalles del método utilizado para la fabricación. De momento, no se están produciendo a gran escala, sino que se están utilizando en aplicaciones más pequeñas y de alto valor, como paneles solares integrados en edificios, donde la apariencia es importante.
Los investigadores afirman que en cuestión de dos años ya se podrían fabricar módulos rectangulares de 1 por 2 metros, semejantes a los paneles solares más comunes de la actualidad. Pero para ello es importante que se alcance un consenso sobre la tecnología de producción.
El método RSPP, desarrollado en Stanford, se presenta como el más competitivo y el sistema de aprendizaje automático elaborado por el equipo de investigadores podría guiar la optimización de cualquiera de los procesos utilizados.