[ad_1]
(noticias nanowerk) Las células solares en tándem basadas en semiconductores de perovskita convierten la luz solar en electricidad de forma más eficiente que las células solares de silicio convencionales. Para que esta tecnología esté lista para el mercado, se requieren mayores mejoras en la estabilidad y los procesos de fabricación.
Investigadores del Instituto Tecnológico de Karlsruhe (KIT) y dos plataformas Helmholtz, Helmholtz Imaging en el Centro Alemán de Investigación del Cáncer (DKFZ) y Helmholtz AI, han logrado encontrar una manera de predecir la calidad de las capas de perovskita y, por tanto, de las células solares resultantes: El uso de Machine Learning y nuevos métodos de inteligencia artificial (IA) permiten evaluar su calidad durante el proceso de fabricación en función de las fluctuaciones en la emisión de luz.
Las tesis centrales
Investigación
Los resultados de los que se pueden derivar mejores procesos de fabricación se publicaron en Materiales avanzados (“Descubriendo la dinámica del proceso para la fabricación escalable de células solares de perovskita con IA explicable”).
Las células solares en tándem de perovskita combinan una célula solar de perovskita con una célula solar convencional, por ejemplo basada en silicio. Estas células se consideran tecnología de última generación: actualmente tienen una eficiencia de más del 33 por ciento, significativamente mayor que la de las células solares de silicio convencionales.
Además, utilizan materias primas económicas y son fáciles de fabricar. Para lograr esta eficacia, es necesario producir una capa de perovskita extremadamente fina y de alta calidad, cuyo espesor sea sólo una fracción del espesor de un cabello humano.
«Producir estas películas delgadas multicristalinas de alta calidad sin defectos ni agujeros utilizando métodos rentables y escalables es uno de los mayores desafíos», dice el profesor titular Ulrich W. Paetzold, que realiza investigaciones en el Instituto de Tecnología de Microestructura y el Instituto de Ingeniería Ligera de KIT. Incluso en condiciones de laboratorio aparentemente perfectas, pueden existir factores desconocidos que provoquen fluctuaciones en la calidad de las capas semiconductoras: «Esta desventaja impide en última instancia un rápido inicio de la producción industrial de estas células solares altamente eficientes, que se necesitan con tanta urgencia para la producción de energía». transición”, explica Paetzold.
La IA encuentra signos ocultos de un recubrimiento eficaz
Para encontrar los factores que influyen en el recubrimiento, un equipo interdisciplinario formado por expertos en células solares de perovskita de KIT se asoció con especialistas en aprendizaje automático e inteligencia artificial explicable (XAI) de Helmholtz Imaging y Helmholtz AI en el DKFZ de Heidelberg. Los investigadores desarrollaron métodos de inteligencia artificial que entrenan y analizan redes neuronales utilizando un enorme conjunto de datos. Este conjunto de datos incluye grabaciones de vídeo que muestran la fotoluminiscencia de las películas delgadas de perovskita durante el proceso de fabricación. La fotoluminiscencia es la emisión de radiación de capas semiconductoras que son excitadas por una fuente de luz externa.
«Dado que ni siquiera los expertos podían ver nada especial en las películas delgadas, surgió la idea de entrenar un sistema de aprendizaje automático (aprendizaje profundo) de IA para detectar signos ocultos de un recubrimiento bueno o malo a partir de los millones de elementos de datos en los videos. Lukas Klein y Sebastian Ziegler de Helmholtz Imaging en DKFZ lo explican.
Para filtrar y analizar las pistas ampliamente dispersas del sistema de IA de aprendizaje profundo, los investigadores recurrieron a métodos de la Inteligencia Artificial Explicable.
«Un plan para la investigación de seguimiento»
Los investigadores descubrieron experimentalmente que la fotoluminiscencia varía durante la producción y que este fenómeno tiene un impacto en la calidad del recubrimiento.
«La clave de nuestro trabajo fue el uso específico de métodos XAI para ver qué factores deben cambiarse para obtener una célula solar de alta calidad», dicen Klein y Ziegler.
Este no es el enfoque habitual. En la mayoría de los casos, XAI sólo sirve como una especie de barrera para evitar errores al construir modelos de IA.
«Este es un cambio de paradigma: obtener hallazgos muy relevantes en ciencia de materiales de una manera tan sistemática es una experiencia completamente nueva».
De hecho, fue la conclusión de la variación de la fotoluminiscencia la que permitió a los investigadores dar el siguiente paso. Después de entrenar adecuadamente las redes neuronales, la IA pudo predecir si cada célula solar alcanzaría una eficiencia baja o alta, dependiendo de qué variación en la emisión de luz se produjo en qué punto del proceso de fabricación. «Se trata de resultados muy interesantes», destaca Ulrich W. Paetzold.
“Gracias al uso combinado de la IA, tenemos una buena visión general y sabemos qué parámetros deben modificarse para mejorar la producción. Ahora podemos realizar nuestros experimentos de forma más específica y ya no tener que buscar una aguja en un pajar con los ojos vendados. Este es un modelo para la investigación de seguimiento que también se aplica a muchos otros aspectos de la investigación energética y la ciencia de materiales”.
[ad_2]